Math 如何使用相关图估计方差？

从一本计算机模拟书中，我得到了这两个方程

第一个是计算，第二个是如何使用相关图估计方差

在计算机模拟中，常用的估计观测方差的方法通常是正确的，因为观测值往往是相关的

我的问题是，我从我的程序计算的值非常大，所以它不可能是正确的

我想，因为当k变大时，r[k]会接近0，第二个方程会给出一个很大的值，所以这个方程可能不正确

如您所问，以下是整个程序（用Python编写）：

---

也可以使用函数

acf（）

计算相关图

---

-k

如果没有您编程的实际功能，很难说。您是否重新检查过其他软件？这些公式描述的是上界吗？你能给我们一个到这本书的链接，或者其他来源吗？我们需要看看数据。当方差接近零时，r[k]将接近无穷大。哦，我的想法只是，您可以尝试使用acf（）（希望它的实现是正确的）来缩小有关bug原因的搜索空间。

@property
def autocorrelation(self):
    n = self.packet_sent
    mean = self.mean
    waiting_times = self.waiting_times
    R = [ sum([(x - mean) ** 2 for x in waiting_times[:-1]]) / n ]
    #print R

    for k in range(1, n / 4 + 1):
        R.append(0)
        for i in range(0, n - k):
            R[k] += (waiting_times[i] - mean) * (waiting_times[i + k] - mean)
        R[k] /=  n

    auto_cor = [r / R[0] for r in R]
    return auto_cor

@property
def standard_deviation_wrong(self):
    '''This must be a wrong method'''
    s_x = self.standard_deviation_simple
    auto_cor = self.autocorrelation
    s = 0
    n = self.packet_sent
    for k, r in enumerate(auto_cor[1:]):
        s += 1 - (k + 1.0) * r / n
        #print "%f %f %f" % (k, r, s)
    s *= 2
    s += 1
    s = ((s_x ** 2) * s) ** 0.5
    return s