python验证中心极限定理_中心极限定理和Python图解

方差与z-score标准化

方差公式

，也表示为

。

方差描述的是分布的离散程度，方差为0时则

，即分布不含有任何随机的成分。

由于数据加常量后其方差

不变，乘以

后则变为

，所以对任何分布的数据都可以做一个标准化(z-score)，使得方差

，期望

。具体做法为：

import numpy as np

import matplotlib.pyplot as plt

X = np.random.rand(1000)

fig, (axs1, axs2) = plt.subplots(1, 2, figsize=(9, 4))

axs1.plot(X, '.')

axs1.set_ylim(-2, 2)

axs2.hist(X, edgecolor='k', alpha=0.8)

plt.show()

print("mean:", np.round(X.mean(), 2), "std:", np.round(X.std(), 2))

mean: 0.5 std: 0.29

进行z-score标准化

操作(证明过程见下一小节)

W = (X - X.mean())/X.std()

mean = W.mean()

std_var = W.std()

fig, (axs1, axs2) = plt.subplots(1, 2, figsize=(9, 4))

axs1.plot(W, '.')

axs1.set_ylim(-2, 2)

axs2.hist(W, edgecolor='k', alpha=0.8)

plt.show()

print("mean:", np.round(W.mean(), 2), "std:", np.round(W.std(), 2))

mean: -0.0 std: 1.0

打印的信息显示新的数据均值为0，方差为1，但是histgram显示出每个bin(默认10个)的数据数量没有变化。

z-score证明

假设一组数据

的均值为

，方差为

，经过z-score标准化的数据

。

的均值

的方差(已经得知

)

标准正态分布

对于正态分布

，其概率密度函数如下：