Sie suchen einen linearen Schätzer für den Mittelwert der Formμ
μ^=∑i=1nαixi
wobei die Gewichte und x i die Beobachtungen sind. Ziel ist es, geeignete Werte für die Gewichte zu finden. Sei σ i die wahre Standardabweichung von x i , die möglicherweise mit der geschätzten Standardabweichung übereinstimmt, die Sie wahrscheinlich haben. Angenommen, die Beobachtungen sind unvoreingenommen. das heißt, ihre Erwartungen sind alle gleich dem Mittelwert μ . In diesem Sinne können wir berechnen , dass die Erwartung von μ istαixiσixiμμ^
E[μ^]=∑i=1nαiE[xi]=μ∑i=1nαi
und (vorausgesetzt, die sind nicht korreliert) die Varianz dieses Schätzers istxi
Var[μ^]=∑i=1nα2iσ2i.
An diesem Punkt verlangen viele Leute, dass der Schätzer unvoreingenommen ist; Das heißt, wir möchten, dass seine Erwartung dem wahren Mittelwert entspricht. Dies impliziert, dass die Gewichte zu einer Einheit summieren müssen. Vorbehaltlich dieser Einschränkung wird die Genauigkeit des Schätzers (gemessen mit dem mittleren quadratischen Fehler) durch Minimierung der Varianz optimiert. Die einzigartige Lösung (leicht mit einem Lagrange-Multiplikator oder durch geometrische Neuinterpretation der Situation als Entfernungsminimierungsproblem zu erhalten) besteht darin, dass die Gewichte proportional zu 1 / σ 2 i sein müssen . αi1/σ2i Die Summe-zu-Einheit-Beschränkung legt ihre Werte fest und ergibt
μ^=∑ni=1xi/σ2i∑ni=11/σ2i
und
Var[μ^]=1∑ni=11/σ2i=1n(1n∑i=1n1σ2i)−1.
In Worten,
the minimum-variance unbiased estimator of the mean is obtained by making the weights inversely proportional to the variances; the variance of that estimator is 1/n times the harmonic mean of the variances.
We usually do not know the true variances σi. About all we can do is to make the weights inversely proportional to the estimated variances (the squares of your standard deviations) and trust this will work well.