Evet, her iki örneğin de (ağırlıksız ve ağırlıklı) aynı sonuçları vermesini beklemelisiniz.
Wikipedia makalesinden iki algoritmayı uyguladım.
Bu işe yarıyor:
Her durumunda xi aynı dağıtım ve tam sayı ağırlıkları çekilir wi numunede ortaya çıkma sıklığını göstermektedir, daha sonra ağırlıklı nüfus varyans tarafsız tahmin ile elde edilir:
s2 =1V1−1∑Ni=1wi(xi−μ∗)2,
Ancak bu (kesirli ağırlıklar kullanarak) benim için çalışmıyor:
Her bir xi , 1/wi varyanslı bir Gauss dağılımından çekilirse, ağırlıklı popülasyon varyansının tarafsız tahmincisi şu şekilde verilir:
s2 =V1V21−V2∑Ni=1wi(xi−μ∗)2
Hala ikinci denklemin amaçlandığı gibi çalışmadığının nedenlerini araştırıyorum.
/ EDIT: İkinci denklemin düşündüğüm gibi çalışmamasının nedenini buldum: ikinci denklemi yalnızca normal ağırlık veya varyans ("güvenilirlik") ağırlıklarınız varsa kullanabilirsiniz ve eğer tarafsız DEĞİLDİR, çünkü eğer "tekrar" ağırlıklarını kullanın (bir gözlemin kaç kez gözlemlendiğini ve böylece matematik işlemlerinizde tekrarlanması gerektiğini) kullanın, toplam gözlem sayısını sayma yeteneğinizi kaybedersiniz ve böylece bir düzeltme faktörü kullanamazsınız.
Bu, sonuçlarınızdaki ağırlıklı ve ağırlıklı olmayan varyansı kullanarak farkı açıklar: hesaplamanız önyargılıdır.
Bu nedenle, tarafsız ağırlıklı bir varyansa sahip olmak istiyorsanız, sadece "tekrar" ağırlıkları kullanın ve yukarıda gönderdiğim ilk denklemi kullanın. Bu mümkün değilse, yardım edemezsiniz.
Daha fazla bilgi istiyorsanız Wikipedia makalesini de güncelledim:
http://en.wikipedia.org/wiki/Weighted_arithmetic_mean#Weighted_sample_variance
Ve tarafsız ağırlıklı kovaryans hakkında bağlantılı bir makale (aslında aynı varyans Polarizasyon Kimliği ):
Ağırlıklı tarafsız örnek kovaryans için doğru denklem