统计学笔记-2

中心极限定理

中心极限定理有多种表现形式，35 中心极限定理中，所讲的是对一具有有限的均值$\mu$和方差${\sigma }^2$的遵从任意分布特性的随机变量X，则对于随机变量
$$Y=\frac{\sum x_i}{N}$$

在N无限增大时，$Y\sim N(\mu ,\frac{{\sigma }^2}{N})$。这使得我们不必关注于X的具体分布，只要对X有足够的抽样样本，我们就可以得到一个已知分布的随机变量，并且建立起两者间的关系，从而通过正态分布的特殊性来解决未知分布的问题。

另外扩展的形式则更加放宽了条件，我们不必局限于一个随机变量，对一组相互独立的随机变量，分别具有有限的数学期望和方差，其和的分布同样遵从正态分布。这背后的含义是：如果一个量是由大量相互独立的随机因素影响所造成的，而每一个别因素在总影响中所起的作用不很大(大家都差不多，并无具有明显优势的变量)，则这个量服从或近似服从正态分布。从而进一步扩大了中心极限定理的应用范围。

偏度(Skew)、峰度(Kurtosis)

高阶矩的另一种叫法。两者分别反应了分布的对称情况与分布的尖锐程度。

伯努利分布

伯努利分布可以看作$n=1$时的二项分布，这点从两者的符号表示即可以看出。随机变量$X\sim B(1,p)$，有：
$$E(X)=p$$

$$D(x)=p(1-p)$$

样本均值的抽样分布

样本均值的抽样分布根据中心极限定理就是正态分布。

基于以上内容，就可用来解决一些实际的问题。对于视频中的例题，解题的思路就是：无论原分布是何种分布，其样本均值的抽样分布是正态分布，通过对问题的转化，将问题转换到抽样分布框架下，并通过样本的估计总体的统计量，从而得到抽样分布的均值和方差，进而解决问题。

而误差范围，就像是这种题逆向的思路，我们有了样本数据，并通过样本数据估计了总体均值和方差，但我想知道通过这些样本所得到的估计有多好，而样本均值的分布刚好满足正态分布，从而可以简单的解得$\mu$或者${\sigma }^2$的某种置信度的致信区间。

另一个应用范围就是给定置信度，来确定所需的样本范围。总体思想和上面差不多，只是每次的条件在变(给定置信区间、置信度)，去寻找其他的条件(置信度、置信区间、样本数量)。