zoukankan      html  css  js  c++  java
  • 2018.9.8-9.8 统计学课程笔记(1)-从概率论到统计学

    学习目标:抓住80%的核心考点 (参考专业综合考试大纲一书)

    重点如下:

    1概率论知识(同大学课程):计算均值,方差,标准差,背公式,正态分布

    2统计量及抽样分布-核心知识

    3参数估计(计算题) -居间估计计算

    4假设检验(判断题)

    5线性回归方程(小题)-判断相关性

    6other:其他是非重点

    ------------------------------开始扯淡-----------------------------

    1变量分类:(后期分析的变量都将针对这三类变量)

    分类变量(categorical variable) :说明事物类别的名称
    顺序变量(rank variable):说明事物有序类别的名称
    数值型变量(metric variable) :说明事物数字特征的名称

    2基本概念:

    后期在计算时,要区别研究对象是整体还是样本,这样计算公式带入的参数不一样。

    3数据度量

     a 集中趋势:一组数据向其中心值靠拢的倾向和程度

    分类数据:众数 (出现次数最多)
    顺序数据:中位数(排序后处于中间位置上的值)和四分位数(排序后处于25%和75%位置上的值)
    数值型数据:平均数(均值)-如上图

    三者关系如下图:

    b 离散程度(反映各变量值远离其中心值的程度)

    分类数据:异众比率 (用于衡量众数的代表性)

    顺序数据:四分位差(反映了中间50%数据的离散程度)

    数值型数据:方差和标准差 (大学概率论知识)-这里的X- 用u代替则是-总体方差和标准差

    相对离散程度:离散系数(用于对不同组别数据离散程度的比较)

     

    ----------------------------------以下是概率论知识:重点是正态分布----------------------------------------------

    1离散型随机变量:

    数学期望计算:

    方差计算:

     

    常见的离散型随机变量:二项分布(非0即1)

     2连续随机变量:

    概率密度函数:相当于高数的积分函数(总体面积为1)

     

    分布函数:相当于上图的a-b部分的面积

    正态分布:(标准正态分布有对称性)

    -------------------------------------------以下是统计学基础知识-------------------------------------------------------

    1统计量:是样本的一个函数,是函数,是函数,重要的说三次。

     2 .X2分布:期望为n,方差为2n(n为自由度) (n决定分布的形状,通常是不对称的正偏分布,当n增加时,形状趋于对称)

    t分布:类似正态分布的一种对称分布,它通常要比正态分布平坦和分散 (所以后面的参数估计计算中,用t分布计算出来的值和正态分布相差不大)

    F分布:(就是两个自由度的x2分布合在一起的)

    中心极限定理(就是他们在N样本量很大时,都会服从标准正态分布-为了简化计算吧,偷懒)

    -------------------------------------------------------END-----------------------------------------------------------------------

  • 相关阅读:
    在 Windows 上测试 Redis Cluster的集群填坑笔记
    vmware安装黑苹果教程
    微信支付v3发布到iis时的证书问题
    Linux下安装SQL Server 2016(连接篇SQL Server on linux)
    Linux下安装SQL Server 2016(连接篇SQL Server on linux)
    Linux下安装SQL Server 2016(安装篇SQL Server on linux)
    Linux下安装SQL Server 2016(准备篇SQL Server on linux)
    客服端与服务端APP支付宝支付接口联调的那些坑
    ASP.NET MVC]WebAPI应用支持HTTPS的经验总结
    .net平台下C#socket通信(中)
  • 原文地址:https://www.cnblogs.com/huangbaobaoi/p/9630162.html
Copyright © 2011-2022 走看看