Sevan_Li的博客

推断性统计部分（五）—简单回归分析标签（空格分隔）： 概率论与数理统计客观世界中普遍存在着变量之间的关系，有确定关系及非确定关系，确定关系是可以直接使用函数关系来表达，比如y=axy=ax之类，现实的例子，如产品单价、销售数量及销售收入的关系，这个关系就可以直接使用前面的函数式来计算的，属于确定关系；非确定关系即所谓的相关关系，我们只知道它们有关，但不能用准确的函数式来定义它。回归分析正是研究相关关

推断性统计部分（四）—简单方差分析标签（空格分隔）： 概率论与数理统计方差分析，分为单因素试验方差分析、多因素无重复试验方差分析及多因素试验方差分析三部分。在试验中，考察的指标称为试验指标，影响试验指标的条件称为因素（一般分为可控因素，如温度、剂量；不可控因素，如测量误差），因素所处的状态（状态这个词比较抽象，我所理解的，或许用子因素来描述会更好理解）称为该因素的水平，给出几个例子来说明三个部分的试

推断性统计部分（二）—参数估计标签（空格分隔）： 概率论与数理统计参数估计包含两大部分，点估计及区间估计，点估计，是估计参数点的值，一个确定的值，区间估计就是估计参数的范围。点估计分为矩估计法及最大似然估计法两种，矩估计法的原理就是样本的k阶矩依概率收敛于相应的总体矩，然后建立方程组求解参数；最大似然估计就是利用利用样本的联合分布律建立似然函数，然后对各个参数进行求导得到似然函数的极值点，从而求出参

推断性统计部分（一）—样本与分布的关系及其检验统计量标签（空格分隔）： 概率论与数理统计统计除了可以描述随机变量特征之外，还有一个重要作用，推断！这也是为什么把统计分为描述性统计和推断性统计的原因，以我目前的理解，推断性统计的作用在于以小推大，以微观推宏观，不排除后续继续深入学习之后得出新的结论。在我另一篇文章描述性统计（一）—-统计量中，写到过关于样本的一些统计量，在此基础上，增加样本与分布的关系

描述性统计部分最大的内容就是各种各样的分布了，各种分布的概率密度，期望，方差，当然还有偏度、峰度什么的，记录一个网址Wikipedia，里面各种分布的各种统计量都非常完整。可以直接点击查找Wikipedia-Distribution PS:它的公式也是用的MathJax来写的，是不是可以，嗯？嘿嘿嘿~尝试用了MathJax来做这个分布表格，字体大小不能调整，表格不能调，真是哔了狗~ 好吧，只能用

描述性统计部分（一）—-统计量标签（空格分隔）： 概率论与数理统计1、期望E(X)E(X)又叫均值、加权算术平均值，其计算公式为：E(X)=∑ni=1xin=∑ji=1xi⋅ki∑ji=1ki=∑i=1∞xi⋅pi=∫∞−∞x⋅f(x)dx=∑i=1∞g(yi)⋅pi=∫∞−∞g(y)⋅f(x)dxE(X)=\frac{\sum_{i=1}^nx_i}{n}=\frac{\sum_{i=1}^jx_

概率论部分总结概念：随机试验： 1、可以在相同条件下重复地进行； 2、每次试验的可能结果不止一个，并且能事先明确试验的所有可能结果； 3、进行一次试验之前不能确定哪一个结果会出现。样本空间&样本点： 某个随机试验的所有可能结果组成的集合，每个结果称之为样本点随机事件： 样本空间的子集，简称事件，当且仅当子集中的一个样本点出现，称为事件发生基本事件： 由一个样本点组成的单点集频率： 进行

推断性统计部分（三）—假设检验标签（空格分隔）： 概率论与数理统计假设检验假设检验与置信区间其实是一样意思，区别就是再多做两步工作（假设及判断），仅此而已。 我们先回顾置信区间是计算的 1、判断是否正态总体 2、找到枢轴量（简单的说，就是一个关于随机变量X及参数的函数，它有自己单独的，与变量及参数都无关的分布，这样就可以用过这个分布来确定函数内的参数的置信区间） 3、利用枢轴量的分

R语言实战笔记–第十四章 主成分和因子分析标签（空格分隔）： R语言 主成分分析 因子分析原理及区别　　主成分分析与因子分析很接近，其目的均是为了降维，以更简洁的数据去解释结果，但这两种方法其实是相差甚远，有幸找到一篇博文描述了这两者的不同，主成分分析和因子分析十大不同点【原文连接】，在这里引用（略有更改）一下。 不同点 主成分分析 因子分析 原理 每个主成分均为所有原始变量的线性