基本数学概念

基本数学概念

均值

样本集的均值是指样本某一特征的均值，它所代表的信息、意义是有限的，有的时候甚至是无意义的，只能对处于同一维度的特征值求均值。
$$A_n=\frac{a_1+a_2+...+a_n}{n}$$

$$E(x)表示x的均值$$

标准差、方差

标准差（又称均方差）在数值上是方差的开平方，它描述的是样本在某一维度上特征值的聚合程度，标准差越大，样本越分散。
$$\sigma =\sqrt{\sum _{i=1}^N\frac{(x_i-E(x){)}^2}{N}}$$

$$E(x)表示x的均值$$

描述一个正态分布时，通常以
$$N(\mu ,{\sigma }^2)$$
来描述，其中 μ 表示均值 σ 表示标准差。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-2nY6rEfY-1623929521927)(img\正态分布
.png)]

均方根误差

均方根误差（meansquared error）是各数据***偏离真实值***的距离平方和的平均数开方，也即误差平方和的平均数开方；

均方差（标准差）是各数据***偏离均值***的距离平方和的平均数开方，这是两者的不同。他们的计算公式形式上接近，不开方叫均方误差，开平方叫均方根误差，均方误差和方差形式上接近，标准差是数据偏离均值的平方和平均后的方根，用σ表示，标准差是方差的算术平方根。

举个例子：测量每个时刻六维力传感器的实时的Z方向的力数据，测量的数据用[Fc1 Fc2 Fc3 …Fcn]表示，实际上受到的力为[Fr1 Fr2 Fr3 … Frn],则有下面的计算

测量均值：
$$E(F_c)=\frac{{\sum }_{i=1}^n{F}_{ci}}{n}$$
标准差：
$${\sigma }_{F_c}=\sqrt{\frac{{\sum }_{i=1}^n(F_{ci}-E(F_c){)}^2}{n}}$$
均方误差：
$$MSE=\sum _{i=1}^n\frac{(F_{ci}-F_{ri}{)}^2}{n}$$
均方根误差：
$$RMSE=\sqrt{MSE}$$

均方根值

均方根值（RMS）也称作为效值，它的计算方法是先平方、再平均、然后开方。
$$RMS=\sqrt{\frac{{\sum }_{i=1}^n(x_i{)}^2}{n}}$$
平方、再平均、然后开方。
$$RMS=\sqrt{\frac{{\sum }_{i=1}^n(x_i{)}^2}{n}}$$