可汗学院公开课——统计学学习:12-34
统计学12-34
- 样本和总体
- 总体方差
- 样本方差
- 标准差
- 随机变量
- 概率密度函数
- 二项分布
- 泊松分布
- 大数定律
- 正态分布
样本和总体
总体均值u=∑i=1NxiNu=\frac{\sum_{i=1}^{N} x_{i}}{N}u=N∑i=1Nxi,样本均值X‾=∑i=1nxin\overline{X}=\frac{\sum_{i=1}^{n} x_{i}}{n}X=n∑i=1nxi
总体方差
总体方差σ2=∑i=1N(xi−μ)2N\sigma^{2}=\frac{\sum_{i=1}^{N}\left(x_{i}-\mu\right)^{2}}{N}σ2=N∑i=1N(xi−μ)2
样本方差
样本方差Sn2=∑i=1n(xi−x‾)2nS_{\text{n}}^2=\frac{\sum_{i=1}^n{\left( x_i-\overline{x} \right) ^2}}{n}Sn2=n∑i=1n(xi−x)2,这个公式计算的样本方差通常会低估总体方差。
无偏样本方差S2=Sn−12=∑i=1n(xi−x‾)2n−1S^{2}=S_{n-1}^{2}=\frac{\sum_{i=1}^{n}\left(x_{i}-\overline{x}\right)^{2}}{n-1}S2=Sn−12=n−1∑i=1n(xi−x)2,总体方差的无偏估计。
标准差
σ\sigmaσ,S
随机变量
随机变量:X、Y、Z,区别于传统变量之处在于,它更像是从随机过程映射到数值的函数,包括离散和连续随机变量。
概率密度函数
概率密度函数从负无穷到正无穷求积分为1.
二项分布
p(x=k)=Cnkpk(1−p)n−kp(x=k)=C_{n}^{k} p^{k}(1-p)^{n-k}p(x=k)=Cnkpk(1−p)n−k
期望值:E(X)=npE\left( X \right) =npE(X)=np
方差:np(1−p)np\left( 1-p \right)np(1−p)
泊松分布
E(X)=λ=npE\left( X \right) =\lambda =npE(X)=λ=np
推导可得,p(x=k)=limn→∞Cnk(λn)k(1−λn)n−k=λkk!e−λp\left( x=k \right) =\lim_{n\rightarrow \infty} C_{n}^{k}\left( \frac{\lambda}{n} \right) ^k\left( 1-\frac{\lambda}{n} \right) ^{n-k}=\frac{\lambda ^k}{k!}e^{-\lambda}p(x=k)=limn→∞Cnk(nλ)k(1−nλ)n−k=k!λke−λ
大数定律
当n趋向于无穷时,样本均值与期望值近似相等。
正态分布
p(x)=1σ2πe−12(x−μσ)2p(x)=\frac{1}{\sigma \sqrt{2 \pi}} e^{-\frac{1}{2}\left(\frac{x-\mu}{\sigma}\right)^{2}}p(x)=σ2π1e−21(σx−μ)2,随着n的增加,正态分布和二项分布的差值越来越小。
累积分布函数:CDF(x)=∫−∞xp(x)dxC D F(x)=\int_{-\infty}^{x} p(x) d xCDF(x)=∫−∞xp(x)dx
z分数:x−μσ\frac{x-\mu}{\sigma}σx−μ
标准正态分布:均值为0,方差为1.
经验法则:1σ\sigmaσ 68%, 2σ\sigmaσ 95%, 3σ\sigmaσ 99.7%
可汗学院公开课——统计学学习:12-34相关推荐
- Khan公开课 - 统计学学习笔记 (四)泊松分布 大数定理
泊松分布 假设概率分布是一致的,例如不会因时间段不同而异,又假设各事件的概率是不相关的(即不相互影响),符合泊松分布Poission distribution.例如某个路口一小时内有多少量车经过. E ...
- 可汗学院的数学从零开始学习顺序?
网易公开课有字幕 链接:https://www.zhihu.com/question/22655681/answer/110949482 来源:知乎 著作权归作者所有.商业转载请联系作者获得授权,非商 ...
- 为你揭露2018微信公开课pro的12个重点
为你揭露2018微信公开课pro的12个重点 1月15日,微信公开课Pro版现场,微信又为我们带来了一些重磅消息,小程序依旧是本次微信公开课Pro的绝对重点.小编为大家整理了公开课的12个重点,带大家 ...
- 公开课-C++学习路线实战导引:从0开始到操作系统内核开发
公开课观看办法: 加入到51CTO学院C++交流群 431187655 在群中直播 课程简介 从整个IT行业角度出发, C/C++技术定位于后端服务与系统级软件研发工作,这意味着C/C++的从业人员应 ...
- 免费公开课 | 强化学习及其在竞速无人机中的应用
强化学习是机器学习的一个重要的领域.有别于监督学习和非监督学习,强化学习最突出的优势在于可以自主地探索出问题的解决方案. 近几年,深度强化学习把神经网络与强化学习算法进行结合,并且解决了许多人类之前无 ...
- 北大光华管理学院公开课北京站
基本情况 公开课时间 2018年9月9日(周日)14:00-16:30 公开课地点 北京大学光华管理学院2号楼阿里巴巴报告厅 活动流程 14:00-14:20 北大光华教育理念分享(赵龙凯教授) 14 ...
- 基于百度英伟达EasyDL公开课的学习笔记
本文是基于智东西公开课<零算法基础的百度EasyDL定制化图像识别揭秘>整理的学习笔记 本文非广告,标注单纯是出于尊重智东西和EasyDL的知识产权 如若涉及侵权,请联系本人 作者:李皮皮 ...
- 黑马程序员UI设计学院公开课,10月18日开讲啦!
揭秘网红照"骗"的那点秘密公开课,重磅来袭! 本期导读: 如今的大众文化圈,已经不再单纯.平民狂欢造就一茬又一茬的网络红人.这是多元的时代使然,不修片不发图,充斥在互联网上的网红的 ...
- 斯坦福大学深度学习公开课cs231n学习笔记(10)卷积神经网络
前记:20世纪60年代,Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时,发现其独特的网络结构可以有效地降低反馈神经网络的复杂性,继而提出了卷积神经网络(Convolution ...
- 清华大学计算机学院公开课,清华大学公开课
简介: [第1课] 本节课主要内容包括:什么是生涯规划?为什么要做生涯规划?怎样做生涯规划? [第2课] 本节课内容将延续上一节,继续讲解:什么是生涯规划?为什么要做生涯规划?怎样做生涯规划? [第3 ...
最新文章
- Java二十三设计模式之-----原型模式
- IIS6下配置fastcgi的php的教程
- Python:win32com 模块
- 计算机专业是否限制语种,高考日语选什么专业(如果高考选日语,大学选专业有什么限制)...
- [Effective Java]第二章 创建和销毁对象
- celery-分布式任务队列-原理
- 刚装的matlab R2010a运行quad2d时提示找不到指定的程序! 提示信息: libmwblas: load error: csrot Caught
- 关于spark写入文件至文件系统并制定文件名之自定义outputFormat
- 身份证号每一位号码的意义
- maven项目,在spring中整合mybatis
- 户如何获得渗透服务---步骤与效果
- TOGAF9.2第I部分 第2章核心概念
- 用奈式第一准则判断是否有码间干扰
- Ghost Win10 企业版LTSC 2020.05(32位+64位)
- DWM安装及简略配置教程
- 结构图(SC)中的模块类型
- 禁止收录与跟踪-- Robots 文件优化和Nofollow 优化
- 必看!“隐形贫困人口”重疾险排名及投保建议
- Glib学习笔记(1)
- 错误处理(包括日志记录)