为什么无偏估计用 $(n-1)$ 而不是 $n$，区别是什么？

在统计学中，无偏估计是指估计量的期望值等于总体参数的真实值。当我们用样本数据估计总体方差或协方差时，分母使用 $(n-1)$ 而不是 $n$ 是为了确保估计是无偏的。

1. 总体方差与样本方差

总体方差 ${\sigma }^2$ 定义为：
$${\sigma }^2=\frac{1}{n}\sum _{i=1}^n(x_i-\mu {)}^2$$

其中 $n$ 是总体数据点数，$\mu$ 是总体均值。

样本方差的直观定义可能是：
$$s_n^2=\frac{1}{n}\sum _{i=1}^n(x_i-\bar{x}{)}^2$$

但这个估计是有偏的。为了得到无偏估计，我们使用：
$$s_{n-1}^2=\frac{1}{n-1}\sum _{i=1}^n(x_i-\bar{x}{)}^2$$

2. 为什么用 $(n-1)$ 实现无偏估计？

直观解释

• 样本均值的"过拟合"：$\bar{x}$ 是从样本计算得到的，不是固定的总体均值 $\mu$。这使得样本数据点相对于 $\bar{x}$ 的偏差比相对于 $\mu$ 的偏差小。
• 自由度损失：计算 $\bar{x}$ 时已用掉一个自由度（因为 $\sum (x_i-\bar{x})=0$），所以剩余的独立信息只有 $(n-1)$ 个自由度。

数学证明

关键证明是样本方差总和的期望值：
$$E\left[\sum _{i=1}^n(x_i-\bar{x}{)}^2\right]=(n-1){\sigma }^2$$

• 若分母用 $n$：
  $$E[s_n^2]=E\left[\frac{1}{n}\sum _{i=1}^n(x_i-\bar{x}{)}^2\right]=\frac{n-1}{n}{\sigma }^2<{\sigma }^2$$

• 若分母用 $(n-1)$：
  $$E[s_{n-1}^2]=E\left[\frac{1}{n-1}\sum _{i=1}^n(x_i-\bar{x}{)}^2\right]=\frac{1}{n-1}\cdot (n-1){\sigma }^2={\sigma }^2$$

3. 用 $(n-1)$ 和 $n$ 的区别

方面	分母用 $(n-1)$	分母用 $n$
估计性质	无偏估计，$E[s_{n-1}^2]={\sigma }^2$	有偏估计，$E[s_n^2]=\frac{n-1}{n}{\sigma }^2$
数值大小	结果稍大（因为分母更小）	结果稍小（因为分母更大）
适用场景	统计推断，估计总体参数	最大似然估计或描述样本特性
样本大小影响	小样本时差异明显，大样本时差异趋近于零	同左，但偏差始终存在

• 在小样本情况下，差异更显著（例如 $n=5$ 时，有偏估计为 $\frac{4}{5}{\sigma }^2$）
• 在大样本情况下（如 $n=1000$），差异很小，但理论上仍以 $(n-1)$ 为标准

好的，我来更新第4部分的内容，用更详细的推导过程替代之前的版本。

4. 期望 $E\left[{\sum }_{i=1}^n(x_i-\bar{x}{)}^2\right]=(n-1){\sigma }^2$ 的详细推导

假设条件

为了推导这个期望，我们需要明确以下假设：

• $x_1,x_2,\dots ,x_n$ 是从均值为 $\mu$、方差为 ${\sigma }^2$ 的总体中抽取的**独立同分布（i.i.d.）**随机变量。
• 样本均值定义为：$\bar{x}=\frac{1}{n}{\sum }_{i=1}^n{x}_i$。

步骤 1：表达式变换

直接计算 $E\left[{\sum }_{i=1}^n(x_i-\bar{x}{)}^2\right]$ 较为复杂，因为 $\bar{x}$ 本身是随机变量。我们可以利用一个恒等式将表达式改写为更容易处理的形式。

考虑 $x_i-\bar{x}$ 的定义：
$$x_i-\bar{x}=(x_i-\mu )-(\bar{x}-\mu )$$

这里我们引入了总体均值 $\mu$，将偏差分解为两部分：样本值与总体均值的偏差 $(x_i-\mu )$ 和样本均值与总体均值的偏差 $(\bar{x}-\mu )$。

将这个表达式平方并求和：
$$\sum _{i=1}^n(x_i-\bar{x}{)}^2=\sum _{i=1}^n{\left[(x_i-\mu )-(\bar{x}-\mu )\right]}^2$$

展开平方：
$$(x_i-\bar{x}{)}^2=(x_i-\mu {)}^2-2(x_i-\mu )(\bar{x}-\mu )+(\bar{x}-\mu {)}^2$$

对所有 $i$ 求和：
$$\sum _{i=1}^n(x_i-\bar{x}{)}^2=\sum _{i=1}^n(x_i-\mu {)}^2-2\sum _{i=1}^n(x_i-\mu )(\bar{x}-\mu )+\sum _{i=1}^n(\bar{x}-\mu {)}^2$$

简化最后一项，因为 $(\bar{x}-\mu {)}^2$ 不依赖于 $i$：
$$\sum _{i=1}^n(\bar{x}-\mu {)}^2=n(\bar{x}-\mu {)}^2$$

接下来处理中间项 ${\sum }_{i=1}^n(x_i-\mu )(\bar{x}-\mu )$：
$$\bar{x}=\frac{1}{n}\sum _{i=1}^n{x}_i$$
所以：
$$\bar{x}-\mu =\frac{1}{n}\sum _{i=1}^n(x_i-\mu )$$

代入：
$$\sum _{i=1}^n(x_i-\mu )(\bar{x}-\mu )=\sum _{i=1}^n(x_i-\mu )\cdot \frac{1}{n}\sum _{j=1}^n(x_j-\mu )$$

因为 ${\sum }_{j=1}^n(x_j-\mu )$ 不依赖于 $i$，可以提出：
$$\sum _{i=1}^n(x_i-\mu )(\bar{x}-\mu )=\frac{1}{n}\sum _{i=1}^n(x_i-\mu )\cdot \sum _{j=1}^n(x_j-\mu )=\frac{1}{n}{\left[\sum _{i=1}^n(x_i-\mu )\right]}^2$$

注意到：
$$\sum _{i=1}^n(x_i-\mu )=n(\bar{x}-\mu )$$

所以：
$$\sum _{i=1}^n(x_i-\mu )(\bar{x}-\mu )=\frac{1}{n}{\left[n(\bar{x}-\mu )\right]}^2=n(\bar{x}-\mu {)}^2$$

将这些结果代回原式：
$$\sum _{i=1}^n(x_i-\bar{x}{)}^2=\sum _{i=1}^n(x_i-\mu {)}^2-2n(\bar{x}-\mu {)}^2+n(\bar{x}-\mu {)}^2$$
$$=\sum _{i=1}^n(x_i-\mu {)}^2-n(\bar{x}-\mu {)}^2$$

我们得到了一个关键恒等式：
$$\sum _{i=1}^n(x_i-\bar{x}{)}^2=\sum _{i=1}^n(x_i-\mu {)}^2-n(\bar{x}-\mu {)}^2$$

步骤 2：计算期望

现在，对这个表达式取期望：
$$E\left[\sum _{i=1}^n(x_i-\bar{x}{)}^2\right]=E\left[\sum _{i=1}^n(x_i-\mu {)}^2-n(\bar{x}-\mu {)}^2\right]$$

由于期望是线性的，可以分开计算：
$$E\left[\sum _{i=1}^n(x_i-\bar{x}{)}^2\right]=E\left[\sum _{i=1}^n(x_i-\mu {)}^2\right]-E\left[n(\bar{x}-\mu {)}^2\right]$$

第一项：$E\left[{\sum }_{i=1}^n(x_i-\mu {)}^2\right]$

因为 $x_i$ 是 i.i.d. 的，且 $E[(x_i-\mu {)}^2]=\text{Var}(x_i)={\sigma }^2$：
$$E\left[\sum _{i=1}^n(x_i-\mu {)}^2\right]=\sum _{i=1}^{n}E[(x_i-\mu {)}^2]=\sum _{i=1}^n{\sigma }^2=n{\sigma }^2$$

第二项：$E\left[n(\bar{x}-\mu {)}^2\right]$

首先计算 $\bar{x}$ 的方差：
$$\bar{x}=\frac{1}{n}\sum _{i=1}^n{x}_i$$

由于 $x_i$ 是独立的：
$$\text{Var}(\bar{x})=\text{Var}\left(\frac{1}{n}\sum _{i=1}^n{x}_i\right)=\frac{1}{n^2}\sum _{i=1}^n\text{Var}(x_i)=\frac{1}{n^2}\cdot n{\sigma }^2=\frac{{\sigma }^2}{n}$$

因为 $E[\bar{x}]=\mu$（样本均值无偏），所以：
$$E[(\bar{x}-\mu {)}^2]=\text{Var}(\bar{x})=\frac{{\sigma }^2}{n}$$

因此：
$$E\left[n(\bar{x}-\mu {)}^2\right]=n\cdot E[(\bar{x}-\mu {)}^2]=n\cdot \frac{{\sigma }^2}{n}={\sigma }^2$$

合并结果

$$E\left[\sum _{i=1}^n(x_i-\bar{x}{)}^2\right]=n{\sigma }^2-{\sigma }^2=(n-1){\sigma }^2$$

步骤 3：验证与意义

我们得到了：
$$E\left[\sum _{i=1}^n(x_i-\bar{x}{)}^2\right]=(n-1){\sigma }^2$$

这表明，${\sum }_{i=1}^n(x_i-\bar{x}{)}^2$ 的期望值是 $(n-1){\sigma }^2$。在统计学中，样本方差定义为：
$$s^2=\frac{1}{n-1}\sum _{i=1}^n(x_i-\bar{x}{)}^2$$

其期望为：
$$E[s^2]=\frac{1}{n-1}E\left[\sum _{i=1}^n(x_i-\bar{x}{)}^2\right]=\frac{1}{n-1}\cdot (n-1){\sigma }^2={\sigma }^2$$

这说明 $s^2$ 是总体方差 ${\sigma }^2$ 的无偏估计。

如果用 $n$ 作为分母：
$$E\left[\frac{1}{n}\sum _{i=1}^n(x_i-\bar{x}{)}^2\right]=\frac{1}{n}\cdot (n-1){\sigma }^2=\frac{n-1}{n}{\sigma }^2<{\sigma }^2$$

这表明分母用 $n$ 会低估总体方差。

总结

通过将 ${\sum }_{i=1}^n(x_i-\bar{x}{)}^2$ 展开为 ${\sum }_{i=1}^n(x_i-\mu {)}^2-n(\bar{x}-\mu {)}^2$，并分别计算两项的期望，我们推导出：
$$E\left[\sum _{i=1}^n(x_i-\bar{x}{)}^2\right]=(n-1){\sigma }^2$$

• ${\sum }_{i=1}^n(x_i-\mu {)}^2$ 的期望是 $n{\sigma }^2$，表示总体偏差。
• $n(\bar{x}-\mu {)}^2$ 的期望是 ${\sigma }^2$，反映样本均值的波动。
• 两者的差值 $(n-1){\sigma }^2$ 解释了为什么样本方差的分母用 $n-1$ 是无偏的。

5. 数据中心化的原理

数据中心化是将每个数据点减去均值的过程：

数学表示

• 原始数据：$x_1,x_2,...,x_n$
• 均值：$\mu =\frac{1}{n}{\sum }_{i=1}^n{x}_i$
• 中心化数据：$x_i^{\prime }=x_i-\mu$

几何意义

• 将数据集平移，使中心点位于坐标原点
• 数据分布形状不变，仅位置发生移动
• 数据点之间的相对关系保持不变

优点

• 消除数据的整体偏移
• 提高数值计算的稳定性
• 加快模型收敛速度
• 使不同特征处于相似的尺度范围

示例

对于数据 [2, 4, 6, 8]：

• 均值 $\mu =5$
• 中心化后：[-3, -1, 1, 3]

数据中心化是统计分析和机器学习中的重要预处理步骤，有助于我们关注数据的相对变化而非绝对位置。