统计学习

最新推荐文章于 2022-03-18 15:34:52 发布

谁梦蓝天

最新推荐文章于 2022-03-18 15:34:52 发布

阅读量191

点赞数

分类专栏：统计学习文章标签：统计学习

本文链接：https://blog.csdn.net/manqianfu9364/article/details/98472828

版权

统计学习专栏收录该内容

3 篇文章 0 订阅

订阅专栏

样本和总体：

研究中实际观测或调查的一部分个体称为样本(sample)

研究对象的全部称为总体。

总体方差：

定义为： $\mu = \frac{{\sum\limits_{i = 1}^N {{x_i}} }}{N}$ ${\sigma ^2} = \frac{{\sum\limits_{i = 1}^N {{{({x_i} - \mu )}^2}} }}{N}$

样本方差：

样本均值： $\bar x = \frac{{\sum\limits_{i = 1}^n {{x_i}} }}{n}$

定义为： $s_n^2 = \frac{{\sum\limits_{i = 1}^n {{{({x_i} - \bar x)}^2}} }}{n}$

或者（无偏样本方差）： ${s^2} = s_{n - 1}^2 = \frac{{\sum\limits_{i = 1}^n {{{({x_i} - \bar x)}^2}} }}{{n - 1}}$

标准差：

有偏： $\sigma = \sqrt {{\sigma ^2}} = \sqrt {\frac{{\sum\limits_{i = 1}^N {{{({x_i} - \mu )}^2}} }}{N}}$

无偏： $s = \sqrt {{s^2}} = \sqrt {\frac{{\sum\limits_{i = 1}^n {{{({x_i} - \bar x)}^2}} }}{{n - 1}}}$

好处：使样本单位相同

公式之间的推导：

${\sigma ^2} = \frac{{\sum\limits_{i = 1}^N {{{({x_i} - \mu )}^2}} }}{N} = \frac{{\sum\limits_{i = 1}^N {(x_i^2 - 2\mu {x_i} + {\mu ^2})} }}{N} = \frac{{\sum\limits_{i = 1}^N {x_i^2} - 2\mu \sum\limits_{i = 1}^N {{x_i}} + {\mu ^2}\sum\limits_{i = 1}^N 1 }}{N}$

$= \frac{{\sum\limits_{i = 1}^N {x_i^2} - 2\mu \sum\limits_{i = 1}^N {{x_i}} + N{\mu ^2}}}{N}$ $= \frac{{\sum\limits_{i = 1}^N {x_i^2} - 2\mu (N\mu ) + N{\mu ^2}}}{N} = \frac{{\sum\limits_{i = 1}^N {x_i^2} - N{\mu ^2}}}{N}$

$= \frac{{\sum\limits_{i = 1}^N {x_i^2} }}{N} - {\mu ^2}$

${\color{Red} {\sigma ^2} = E({X^2}) - {[E(X)]^2}}$

随机变量：

概率密度函数：

二项分布及其期望：

大数定律与中心极限定理之间的区别

大数定律是说，n只要越来越大，我把这n个独立同分布的数加起来去除以n得到的这个样本均值（也是一个随机变量）会依概率收敛到真值u，但是样本均值的分布是怎样的我们不知道。
中心极限定理是说，n只要越来越大，这n个数的样本均值会趋近于正态分布，并且这个正态分布以u为均值，sigma^2/n为方差。
综上所述，这两个定律都是在说样本均值性质。随着n增大，大数定律说样本均值几乎必然等于总体均值。中心极限定律说，他越来越趋近于正态分布。并且这个正态分布的方差越来越小。直观上来讲，想到大数定律的时候，你脑海里浮现的应该是一个样本，而想到中心极限定理的时候脑海里应该浮现出很多个样本。