01统计学温习日记-4月4日

@01统计学温习-4月4日

01统计学温习-4月4日

近期公司上线了大数据平台和相关应用，做为应用人员中感觉还是要深入了解一些深层的原理。做为理工男大学多少都学过高等数学，但远离课堂N多年，数学符号已成了熟悉的陌生人，遂开始恶补数据分析、统计学等基础性的知识，试着融入这个时代。
此次跟着视频从最基础开始温习统计学知识，3日、4日学习了12课至34课。首先学到了统计学中的一些概念的专业性描述、数学符号。跟着过了一遍二项式、泊松分布、正态分布的数学推导过程，还好看得懂——密度函数求积分的过程也想起来了。
至于应用场景中常见的双峰、左偏、右偏分布也终于有点明白是怎么回事了。
不清楚未来学到什么程度，但一定坚持跟学到80课。

---

12课

Sample 样本和总体 Population
样本 总体
均值 X上横 μ（听视频，似乎mean的发音是来自这个希腊字母？）
x₁ 大写X
xn 大写N

13课

dispersion 离差 Population dispersion 总体离中值
variance 方差，反映数据离数据中心的距离，离散度

14课

样本方差。这几个都体现了一个意思：用样本替代总体；用样本反映总体；用样本均值近似表示总体均值；用样本方差近似表示总体方差。

使用另一个公式：总体方差的无偏估计或无偏样本方差。分母变成n-1，这样取值略大。

---

15课

标准差 std

16课

诸方差
方差公式简化、推导结果
这个公式可在某些场景下用于快速求方差

---

17课

离散随机变量、连续随机变量

18课

density function

20课

–
23课
离散随机变量的期望值就是均值。

24课

二项分布期望值 = n*P

---

27课

law of large numbers 大数定理

28课

正态分布、高斯分布、鈡曲线

对比二项分布曲线和正态分布曲线，趋近。代码演示。

---

30课

bimodal distribution双峰分布
right skewed distribution右偏态分布
left skewed distribution 也称为negatively skewed distribution
左偏态分布，也称为 负偏态分布。

32课

empirical rule 经验法则。又称为68-95-99.7法则
遵循正态分布：
低于均值1个标准差的概率密度（经验概率）约68%，
低于均值2个标准差的概率密度约95%，
低于均值3个标准差的概率密度约99.7%，