![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
统计学
理由过于天真
这个作者很懒,什么都没留下…
展开
-
几个重要的离散型概率分布
二项概率分布 研究问题:n次重复独立试验中成功x次的概率 概率函数:f(x)=(nx)px(1−p)n−xf(x)=\binom{n}{x}p^{x}(1-p)^{n-x} ,x为成功的次数,p为一次试验成功的概率,n为试验的次数,f(x)为n次试验中x次成功的概率。 期望:E(x)=μ=npE(x)=\mu =np 方差:Var(x)=σ2=np(1−p)Var(x)=\sigma ^{2原创 2017-12-26 16:27:28 · 3815 阅读 · 0 评论 -
假设检验结果的解释
如果假设检验支持我们拒绝原假设,并不意味着接受备择假设。因为假设检验是在100(1−α)100(1-\alpha)100(1−α)%的置信水平下进行的。我们的结论应该描述为“我们有100(1−α)100(1-\alpha)100(1−α)%的把握认为备择假设描述的情况是正确的”。注意这个结论与置信区间的联系。...原创 2018-11-27 14:47:46 · 2005 阅读 · 0 评论 -
排列组合和二项式定理
先来看两个问题。 问题一:从 nn 个元素中取出其中 kk 个元素,将结果进行排序,问这样的排序有多少种可能? 问题二:从 nn 个元素中取出其中 kk 个元素,组成一个集合,问这样的集合有多少种可能? 问题一对应的数学问题叫排列,问题二对应的数学问题叫组合。下面分别考察这两个问题。 先看问题一,要填满目标序列的 kk 个位置,第一个位置有 nn 种选择,第二个位置有 n−1n-1 种选择原创 2018-01-11 18:20:00 · 5133 阅读 · 0 评论 -
连续型随机变量-概率密度函数
注:本篇的表述大部分来自陈希孺先生著《概率论与数理统计》 连续型随机变量的概率分布不能用像离散型变量那样去描述。原因在于,这种变量的取值充满一个区间,无法一一排出,在应用中求精确到某一点的概率是不可能的。实际上,计算连续型随机变量的概率一般是求随机变量在某个区间内取值的概率,而在理论和实用上较方便的方法,就是所谓“概率密度函数”。概率密度函数 设连续型随机变量 XX 有概率分布函转载 2018-01-04 13:51:18 · 8157 阅读 · 0 评论 -
抽样和抽样分布-样本比率的抽样分布
样本比率 p¯\bar{p} 是总体比率 pp 的点估计。 p¯\bar{p} 的抽样分布是样本比率 p¯\bar{p} 的所有可能值的概率分布。 下面我们了解下 p¯\bar{p} 的期望、标准差、形状这些数学特征。p¯\bar{p} 的数学期望E(p¯)=pE(\bar{p})=p ,其中p为总体比率。p¯\bar{p} 的标准差p¯\bar{p} 的标准差与总体是转载 2018-01-08 11:58:44 · 6158 阅读 · 0 评论 -
区间估计
对于点估计而言,我们不能期望它能给出总体参数的精确估计值,所以经常在点估计后加一个边际误差来计算区间估计。其格式为: 点估计 ±\pm 边际误差比如,总体均值的区间估计可表示为:x¯±边际误差\bar{x} \pm 边际误差。 下面,我们就总体标准差 σ\sigma 已知和未知两种情况下,对总体均值的区间估计进行讨论。σ\sigma 已知在一些应用中,我们抽样前可根据大转载 2018-01-08 15:29:44 · 5428 阅读 · 0 评论 -
假设检验中的p值
p-值描述了当原假设为真时,样本统计值及更极端值出现的概率。 若此概率很小,根据小概率原理,认为原假设为真时不会出现这样的统计值,从而拒绝原假设。但这样做是有风险的,即原假设为真时我们却拒绝了原假设(第一类错误)。其犯错概率等同于p-值。我们用显著性水平描述我们愿意冒多大的风险犯这类错误。...原创 2018-09-20 21:49:05 · 1570 阅读 · 0 评论