统计学_1

1. 总体和样本：
   1.1 总体：研究对象的所有个体，个数以N表示；
   1.2 样本：由于无法全面地研究总体中的每一个对象，而随机地在总体中选择的一部分对象，个数以n表示
   1.3 总体均值:
   $$\mu =\sum _{i=1}^N{x}_i/N$$
   1.4 样本均值:
   $$\overline{x}=\sum _{i=1}^n{x}_i/n$$

2. 方差：用于描述数据的离散程度
   2.1 总体方差：$$\begin{array}{rl}{\sigma }^2& =\sum _{i=1}^N{\left({\mathrm{x}}_i-\mu \right)}^2/N=\sum _{i=1}^N{x}_i^2/N-2\mu \sum _{i=1}^N{x}_i/N+{\mu }^2\\ & =\sum _{i=1}^N{x}_i^2/N-2{\mu }^2+{\mu }^2\\ & =\sum _{i=1}^N{x}_i^2/N-{\mu }^2\\ & =\sum _{i=1}^N{x}_i^2/N-{\left(\sum _{i=1}^N{x}_i/N\right)}^2\end{array}$$
   2.2 样本方差：相比于总体方差，样本方差的分母是n-1，这是考虑到样本取法不合理时，会导致对总体偏差估计过小。称为无偏估计。
   $$S^2=\sum _{i=1}^n{\left(x_i-\overline{x}\right)}^2/n-1$$

3. 标准差：标准差在数值上等于方差的平方根，引入标准差会带来一些好处，如可以保持单位的一致。另外，样本的方差是总体方差的无偏估计，但样本的标准差却不是总体的无偏估计。
   3.1 总体标准差：$$\sigma =\sqrt{\sum _{i=1}^N{\left(x_i-\mu \right)}^2/N}$$
   3.2 样本标准差：$$S=\sqrt{\sum _{i=1}^n{\left(x_i-\overline{x}\right)}^2/n-1}$$

4. 随机变量：一种特殊的变量，一般用大写字母表示。区别于传统的变量，随机变量实质上是一个函数，一个将随机过程映射到数值的函数，它不可以求得，因为随机过程的结果未知。随机变量分为两种，一种是离散的随机变量，取值的可能性是有限的；一种是连续的随机变量，取值的可能性是无限的

5. 概率密度函数：描述随机变量发生概率的函数。
   特点：1、对于连续的随机变量，概率密度函数也是连续的，且没有随机变量等于某一个确定值时的概率这种说法，只有随机变量在某个区间内概率是多少这种说法；2、对于离散的随机变量，概率密度函数也是离散的，对于每一个离散的随机变量值都有对应的一个概率值；3、对于连续的随机变量，概率密度函数曲线的积分值为1，对于离散的随机变量，每个随机变量出现的概率总和为1

6. 随机变量的期望值：本质上就是总体的均值。对于一个随机过程，随机变量的值可能是有限的，但是每一次随机过程就会有一个随机变量，相当于一个个数无限的总体，没有办法得到总体的均值。这个时候可以通过有限次随机试验的方法，得到一个个数有限的样本，统计每个随机变量出现的频率，将每个随机变量乘以出现的频率求和即为期望值。期望值的计算，本质上是总体均值的另一种求法。
   示例：$$\mu =\sum _{i=1}^N{x}_i/N=\left({\mathrm{n}}_1\mathrm{a}+{\mathrm{n}}_2\mathrm{b}+\dots .\right)/N=\mathrm{a}\frac{n_1}{N}+b\frac{n_2}{N}+\dots =\mathrm{a}P(\mathrm{x}=\mathrm{a})+bP(\mathrm{x}=\mathrm{b})$$

7. 二项分布：重复n次的伯努利实验，每次实验只有两种可能的结果。n次试验出现的结果次数与二项式系数有关，概率密度函数的曲线或分布成“钟”型。
   二项分布的例子：
   1、5次抛硬币，正面出现k 次的次数概率分别为：
   $$P(X=k)=\left(\frac{5!}{k!(5-k)!}\right){\left(\frac{1}{2}\right)}^5$$
   2、10次投篮，每次投中的概率是0.8，没投中的概率是0.3，投中k 次的概率为：
   $$P(X=k)=\left(\frac{10!}{k!(10-k)!}\right)(0.8{)}^n(0.2{)}^{10-k}$$
   二项分布的概率分布公式：每次成功的概率记为p，k次成功的概率为：
   $$P(X=k)=\frac{n!}{k!(n-k)!}{P}^k(1-P{)}^{n-k}$$
   二项分布的期望值：
   $$\begin{array}{rl}\mu & =\sum _{k=0}^{n}kP(X=k)=\sum _{k=0}^{n}k{C}_n^k{p}^k(1-\mathrm{p}{)}^{n-k}\\ & =\sum _{k=0}^{n}k\frac{\mathrm{n}!}{k!(\mathrm{n}-\mathrm{k})!}{p}^k(1-\mathrm{p}{)}^{n-k}=\sum _{k=1}^{n}k\frac{\mathrm{n}!}{k!(\mathrm{n}-\mathrm{k})!}{p}^k(1-\mathrm{p}{)}^{n-k}\\ & =\sum _{k=0}^n\frac{\mathrm{n}!}{(\mathrm{k}-1)!(\mathrm{n}-\mathrm{k})!}{p}^k(1-\mathrm{p}{)}^{n-a}(\mathrm{b}=\mathrm{n}-1,\mathrm{a}=\mathrm{k}-1)\\ & =np\cdot 1=np\end{array}$$

8. 泊松分布：
   以每小时通过的车流量为例，定义随机变量X描述该随机过程，X表示每小时内通过的车辆数。
   8.1 两个重要假设：1、任意时刻的车流量是没有差异的；2、一段时间内的车流量对另一段时间内的车流量没有影响（独立性）
   8.2 泊松分布与二项分布：泊松分布可以看做随机试验次数无限的二项分布
   对于二项分布，期望值λ=np，n表示总体的个数，p表示每次成功的概率，因此，每次成功的概率可以表示为：p=λ/n。以统计车流量为例子，当对每小时以分钟划分，n即等于60，p表示每分钟有车子通过的概率；当对每小时以秒钟划分，n即等于3600，p表示每秒钟有车子通过的概率。泊松分布与二项分布的区别在于，有车子通过时，可能不止一辆车。解决的办法是，将每小时划分为无限个时间段，可以认为每个时间段有车子通过时，有且仅有一辆车通过。泊松分布是二项分布的一种特殊情况。
   8.3 泊松分布的概率分布函数：
   $$\begin{array}{rl}P(X=k)& =\underset{n\to \infty }{\lim }{C}_n^k{P}^k(1-P{)}^{n-k}=\underset{n\to \infty }{\lim }\frac{n!}{k!(n-k)!}{\left(\frac{\lambda }{n}\right)}^k{\left(1-\frac{\lambda }{n}\right)}^{n-k}\\ & =\underset{n\to \infty }{\lim }\frac{n!}{k!(n-k)!}{\left(\frac{\lambda }{n}\right)}^k{\left(1-\frac{\lambda }{n}\right)}^{n-k}=\underset{n\to \infty }{\lim }\frac{n!/(n-k)!}{n^k}\frac{{\lambda }^k}{k!}{\left(1-\frac{\lambda }{n}\right)}^{n-k}\\ & =\underset{n\to \infty }{\lim }\frac{n(n-1)\dots (n-k+1)}{n^k}\frac{{\lambda }^k}{k!}{\left(1-\frac{\lambda }{n}\right)}^{n-k}\\ & =\frac{{\lambda }^k}{k!}{e}^{-k}\end{array}$$

9. 大数定理：描述样本均值与期望值的关系。对某随机过程定义随机变量，并得到n个随机变量的观测样本，随着观测样本数n的增大，样本均值趋近于期望值。
   *赌徒谬论：前k次的观测样本均值并不会影响后续n-k次的样本随机变量值，大数定理并不在乎前述的k次试验结果，大数定理是基于n趋于无穷大时得到的规律。以抛硬币为例，前k次随机试验得到的正面数少并不意味着后续n-k次随机试验会得到更多的正面数。

10. 正态分布：
    10.1 正态分布的概率密度函数：相对于二项分布和泊松分布，正态分布的概率密度函数是连续的，其表达是为：
    $$p(\mathrm{x})=\frac{1}{\sigma \sqrt{2\pi }}{e}^{-\frac{1}{2}{\left(\frac{x-\mu }{\sigma }\right)}^2}=\frac{1}{\sigma \sqrt{2\pi }}{e}^{-\frac{1}{2}{z}^2}=\frac{1}{\sigma \sqrt{2\pi }{e}^{z^2}}$$
    **标准Z分数：
    $$z=\frac{x-\mu }{\sigma }$$
    正态分布可以近似二项分布，且随着随机试验的次数增加，正态分布对二项分布的近似性会更好。
    影响正态分布概率密度函数曲线的参数：1、样本均值μ是曲线的对称轴；2、标准差σ决定了曲线的高矮胖瘦，标准差越大，曲线越矮胖，标准差越小，曲线越高瘦
    累计分布函数:方便求解正态分布的概率
    $$CDF(\mathrm{x})={\int }_{-\infty }^{x}p(\mathrm{x})dx$$
    10.2 经验法则(68-95-99.6法则)：对于正态分布，存在三个特定区间，三个区间的概率分别为：
    $$\begin{array}{l}P(\mu -\sigma <x<\mu +\sigma )=0.68\\ P(\mu -2\sigma <x<\mu +2\sigma )=0.95\\ P(\mu -3\sigma <x<\mu +3\sigma )=0.997\end{array}$$