绝对误差、标准误差、相对误差怎么求?
的有关信息介绍如下:
标准误差:
原始定义是样本某个统计量(或称估计量) 相对于其理想真值 的标准偏差,即与真值的标准化“误差”。但考虑到估计量自身的标准差:
其中 的期望总是通过偏置因子(bias factor)与真值联系起来:,且这种偏置传递到二级统计时已微乎其微。实际应用中,我们常常不对二者进行区分,于是描绘统计量自身弥散的标准差同样可用于估计相对于真值 的误差,从而被称为“标准误差”,而不使用类似“标准差的标准差”( )的叫法。即:
" "表示估计。也就是说,“标准误差”其实同时包含了两个概念:
1、样本统计量自身的弥散情况(即标准差 );
2、样本统计量相对于真值的误差(即标准误差 )。
下面看具体例子:
其中利用了 【1】
如果对标准差 取一阶无偏估计:
则
按(Unbias_estim.),求得高斯分布的偏置样本标准差 的标准误差为: ;而无偏的样本标准差的标准误差为: 。其中 是样本标准差的四阶偏置因子[1]。
如前提到,σ的真实值未知。因此,需要考虑关于估计量的分布的各阶展开。上面的近似是对于高斯分布情况下的一阶展开,此时估计量遵循“学生分布”( t分布),即样本标准差的标准误差正好是t分布的标准差【5】。值得一提的是,t分布与高斯分布既相似又略有不同,t分布随样本的大小变化,而高斯分布则与此无关。一般情况下,服从t分布的标准误差,可简单使用偏置的样本标准偏差s代替σ,已足够进行估计,直接使用该值计算置信区间即可【6】。当样本容量超过100时,学生t分布是高斯分布的一个非常好的近似值。
说了这么久,其实实验也用不上,直接令 无脑近似就对了。
直接默认样本服从高斯分布,取95%的置信水平( ,查表可得。或者继续暴力近似取到 ),样本均值的取值范围(置信区间)则为:
同样地,样本标准差的置信区间则为:
于是我们可以随口地说两个西格玛 ( 都可以叫西格玛)就是估计量的绝对误差(95%的确信!)。而相对误差只要除以估计量自身便可:
更多请参看往期内容【数理统计学概念】



