Untuk distribusi normal, ada penaksir yang tidak bias dari standar deviasi yang diberikan oleh:
Alasan mengapa hasil ini tidak begitu dikenal tampaknya karena sebagian besar merupakan curio daripada masalah impor besar . Buktinya tercakup di utas ini ; itu mengambil keuntungan dari properti utama dari distribusi normal:
Dari sana, dengan sedikit kerja, adalah mungkin untuk mengambil ekspektasi , dan dengan mengidentifikasi jawaban ini sebagai kelipatan dari, kita dapat menyimpulkan hasil untuk σ berisi.
Ini membuat saya penasaran mana distribusi lain yang memiliki penduga standar tak-bias yang tertutup dari standar deviasi. Berbeda dengan estimator yang tidak bias dari varians, ini jelas distribusi-spesifik. Selain itu, tidak mudah untuk mengadaptasi bukti untuk menemukan estimator untuk distribusi lain.
Distribusi condong-normal memiliki beberapa properti distribusi yang bagus untuk bentuk kuadratiknya, dimana properti distribusi normal yang kami gunakan secara efektif merupakan kasus khusus (karena normal adalah tipe khusus dari condong-normal) jadi mungkin tidak akan terlalu sulit untuk memperluas metode ini kepada mereka. Tetapi untuk distibusi lain akan muncul pendekatan yang sama sekali berbeda diperlukan.
Apakah ada distribusi lain yang penduga seperti itu diketahui?
Jawaban:
Meskipun ini tidak secara langsung terhubung ke pertanyaan, ada kertas 1968 oleh Peter Bickel dan Erich Lehmann yang menyatakan bahwa, untuk keluarga cembung distribusi , ada penaksir yang tidak bias dari q fungsional ( F ) (untuk ukuran sampel) n cukup besar) jika dan hanya jika q ( α F + ( 1 - α ) GF q(F) n adalah polinomial dalam 0 ≤ α ≤ 1q(αF+(1−α)G) 0≤α≤1 . Teorema ini tidak berlaku untuk masalah di sini karena pengumpulan distribusi Gaussian tidak cembung (campuran Gaussians bukan Gaussian).
Perpanjangan hasil dalam pertanyaan adalah bahwa setiap kekuatan dari standar deviasi dapat diperkirakan secara tidak memihak, asalkan ada pengamatan yang cukup ketika α < 0 . Ini mengikuti dari hasil 1σα α<0
yangσadalah parameter skala (dan unik) untuk∑ n k = 1 (xi- ˉ x )2.
Pengaturan normal ini kemudian dapat diperluas ke keluarga skala lokasi mana pun
sumber
A probably well known case, but a case nevertheless.U(0,θ) . Given an i.i.d. sample, the maximum order statistic, X(n) has expected value
Consider a continuous uniform distribution
The standard deviation of the distribution is
So the estimator
is evidently unbiased forσ .
This generalizes to the case where the lower bound of the distribution is also unknown, since we can have an unbiased estimator for the Range, and then the standard deviation is again a linear function of the Range (as is essentially above also).
This exemplifies @whuber's comment, that "the amount of bias is a function ofn alone" (plus possibly any known constants) -so it can be deterministically corrected. And this is the case here.
sumber