统计

网易公开课 可汗学院 统计学

0.基本概念

1. 均值 mean 样本值的和/样本个数
2. 中位数 middle：从小到大排列后最中间的1个数，如果偶数个样本则取最中间2个数的平均值
3. 众数 mode： 样本中出现次数最多的值
4. 极差 range:最大值-最小值
5. 中程数：最大值和最小值的平均数(max+min)/2
6. 象形统计图 pictograph
7. 条形图 bar graph 适用于将事物归类，看每一类分别是什么情况
8. 折线图 line graph
9. 饼图 pie chart/ pie graph 看到各部分的占比
10. 折线图的纵坐标刻度很容易误导人。折线图的优点是可以看出趋势
11. 茎叶图 stem-and-leaf plot 看分布情况

Stem	Leaf
0	0 0 2 4 7 7 9
1	1 1 3 8
2	0

Stem代表高位(这里是十位)，Leaf代表低位(这里是个位)
也就是说大家的得分是 0 0 2 4 7 7 9 11 11 13 18 20.
12. 箱线图 box-and-whiskers 3个四分位点，最大值 最小值，第一个四分位点和我第三个四分位点之间的50%数据放在盒中 。箱线图可以看出数据的分布，以及中位数，最大最小值。

1.描述性统计学

统计学：

• 描述统计学(descriptive)
• 推论统计学 inferential statistics 总体，样本

集中趋势：central tendency
Average
算术平均 几何平均 调和平均 mean(容易受到异常值影响) median mode 等等都可以叫做average
样本 sample
总体 population

总体均值 样本均值

u【mu】：总体均= sigma(xi)/N N:总体个数

_
x : 样本均值 = sigma(xi)/n n:样本个数

总体方差：
sigma^2=[sigma(xi-u)^2]/N
含义：每个样本点距离均值的平均距离
样本方差S^2=[sigma(xi-样本均值）^2]/(n-1),除以n通常会低估了总体方差，除以n-1才能得到总体方差的无偏估计。
标准差 standard deviation：方差开根号
总体标准差：sigma
样本标准差：S。
样本方差的期望是总体方差，但样本标准差的期望不是总体标准差。
有了方差为什么还要标准差？
——因为要使得量纲相同。标准差和均值的量纲（单位）是一致的，在描述一个波动范围时标准差比方差更方便。比如一个班男生的平均身高是170cm,标准差是10cm,那么方差就是100cm^2。可以进行的比较简便的描述是本班男生身高分布是170±10cm，方差就无法做到这点。
方差公式变换：

sigma^2=[sigma(xi-u)^2]/N
=sigma(xi^2-2xiu+u^2)/N
=[sigma(xi^2)]/N-u^2

随机变量Random Variable

更类似一个函数映射
如：
X={ 20 ， if 明天下雨
100，if 明天不下雨
骰子抛出的数字也是随机变量
随机变量分为离散随机变量和连续随机变量。
如：X=明天的雨量

概率分布函数

概率分布：probability distribution
随机变量的概率分布函数之和为1

x	1	2	3	4	5	6
P(X=x)	1/6	0	1/6	1/6	1/6	2/6

连续随机变量的分布叫概率密度函数。

二项分布

P(X=k) = C(n,k) * p^k * (1-p)^(n-k)

B(n,p)，n表示试验次数，p表示一次实验成功的概率。
如果np有极限lambda，则这个二项分布就趋向于参数为lambda的泊松分布，反之如果np趋于无限大（如扔1亿次均匀硬币），则根据中心极限定理，二项分布趋于正态分布。
实际中n很大时一般用正态分布计算二项分布，如果np比较小(比起n来说很小)，那么用泊松分布计算更好，因为泊松分布和二项分布是离散分布，正态分布是连续分布。

期望

随机变量的期望也就是总体的均值。但是此时的总体是无穷多的，不能用每个样本值的和/N,只能用频率。
如果说概率是频率随样本趋于无穷的极限
那么期望就是平均数随样本趋于无穷的极限
二项分布的期望：E(X)=np
P(X=k)=(n,k)p^k*(1-p)^(n-k)
EX：概率加权平均=0*P(X=0)+1*P(X=1)+…+nP(X=n)=sigma(k=1,n)k*(n,k)p^k(1-p)^(n-k)=