中心极限定理_中心极限定理的的原理与应用
中心极限定理是在统计学中除了大数定理的另一块基石,有着极为重要的意义和广泛的应用空间,本文就以通俗的案例来讲解什么是中心极限定理,中心极限定理的数据演示以及中心极限定理的应用。
什么是中心极限定理?
中心极限定理就是随机样本的均值总是围绕在总体均值周围,且呈正太分布。
先举个栗子:
现在要统计燕山大学2015年8000名毕业生三年后的平均薪资情况,把所有的毕业生都调查一遍的话成本太高,现在我们调查25组,每组40人,一共调查1000人,然后求出每一组的平均值,中心极限定理就是说,这些均值呈正太分布,而且随着每组样本的增加,效果会更好。把这些平均值相加再求均值,这个均值就非常接近总体均值了。
其中有几个点需要注意一下:
- 不管总体是怎样的分布,最后每组的均值还是呈正太分布
- 样本每组要足够大,但也不需要太大,取样本的时候,一般认为,每组大于等于30个,即可让中心极限定理发挥作用。
用实际数据来演示中心极限定理
注:使用python来模拟数据,不懂的同学可以略过代码
生成数据:我们用掷骰子这一概率论中经常用到的道具来演示,用python模拟掷100000次骰子,并求总体平均值。
import numpy as np
import pandas as pd
shaizi_data=np.random.randint(1,7,100000) #生成掷骰子随机数据
print(shaizi_data.mean()) #打印平均值
print(shaizi_data.std()) #打印标准差
import matplotlib.pyplot as plt
var=np.bincount(shaizi_data) #频次统计
plt.bar([1,2,3,4,5,6],var[1:],0.5) #绘制条形图
plt.show()
平均值:3.5049 ,标准差:1.697(每次生成数据都会有细微的差别)
把生成的数据用条形图图展示出来是这样的:1~6的分布都很均匀,ok~
10万次掷骰子频数分布直方图
下面就是见证奇迹的时刻,我们要在此数据集上来验证中心极限定理:
先抽取1000组数据,每组100个样本,结果见下图:
分组均值的均值:3.498,分组均值的标准差:0.167
抽样均值的分布规律
那在不同的组数与组内样本数量的情况下,是不是都是这样的呢,下边就限定组数进行对比,每组100个样本,分别抽取50组,100组,1000组,10000组来观察数据,以下是代码实现:
for m,k in zip([50,100,1000,10000],[221,222,223,224]): #限定不同的组内样本数
n=1000
s=[]
for i in range(n):
x_=0
for i in range(m):
x=shaizi_data[int(np.random.random()*100000)]
x_=x_+x
x_=x_/m
s.append(x_)
s=np.array(s)
print(s.mean())
print(s.std())
plt.subplot(k)
plt.hist(s,40,range=[3,4],edgecolor="black")
plt.show()
图见下方:
相同样本数,不同组数的抽样结果
组数 均值 标准差
50 3.518 0.173
100 3.488 0.162
1000 3.495 0.172
10000 3.490 0.171
随着组数的增多,样本均值的均值就越来越靠近总体均值,也就是说,在可以的情况下,取样的组数尽可能多,那么样本均值就越能够代表总体均值。
下边再看一下组数不变的情况下,每组内样本数量不同会发生什么变化。一共取1000组,每组数据的样本数量分别限制在50,个,100个,1000个,10000个,看效果:
不同样本数量的随机样本均值分布
每组内的样本个数 均值 标准差
50 3.493 0.240
100 3.499 0.167
1000 3.494 0.055
10000 3.492 0.017
在组数不变,组内样本越来越多的情况下,样本均值的标准差越来越小,样本均值越来越向总体均值靠拢 。
中心极限定理在实际当中的应用主要有两方面:
- 抽样估计:这种情况是我们不能知道我们想要研究的对象的平均值,标准差之类的统计参数。中心极限动力在理论上保证了我们可以只用抽样一部分的方法,达到研究推测对象统计参数的目的。就像上文的例子中,通过调研部分毕业生的薪资水平而推算出整体毕业生的平均薪资。
- 假设检验:这种情况下,是我们已知总体的分布,来计算样本的置信区间,或者规定了规定了样本空间反向计算样本容量。典型的应用场景是,计算炮弹的命中几率。
中心极限定理与大数定理的关系:
大数定理证明了样本平均值趋近于总体平均值的趋势,但是却没有量化样本平均值趋向于总计平均值的概率,而中心极限定理证明了这一点,具体的说明了,随机样本平均数与总体平均数的差值不差过一定范围的概率大小问题。
中心极限定理_中心极限定理的的原理与应用相关推荐
- 大数定理 中心极限定理_中心极限定理:直观的遍历
大数定理 中心极限定理 One of the most beautiful concepts in statistics and probability is Central Limit Theore ...
- python验证中心极限定理_中心极限定理的最最通俗解释
一.什么是中心极限定理 在适当的条件下,大量相互独立随机变量的均值经适当标准化后依分布收敛于正态分布.每次从这些总体中随机抽取 n 个抽样,一共抽 m 次. 然后把这 m 组抽样分别求出平均值, 这些 ...
- 用python证明中心极限定理_中心极限定理及Python实验
独立同分布的中心极限定理 专业版: 百度百科 白话版: 无论总体是什么分布,只要抽样的样本量(依经验大于30)足够大,那么抽样的均值近似服从正态分布. 也就是抽样的均值分布满足下面的情况: image ...
- clt框架_中心极限定理clt数据科学
clt框架 As we have seen in the previous article, "Inferential Statistics" plays a significan ...
- 概论_第5章_中心极限定理1__定理2(棣莫弗-拉普拉斯中心极限定理)
在概率论中, 把有关论证随机变量和的极限分布为正态分布的一类定理 称为中心极限定理 称为中心极限定理 称为中心极限定理. 本文介绍独立同分布序列的中心极限定理. 一 独立同分布序列的中心极限定理 定理 ...
- 微服务笔记:第一章_微服务简介|Eureka注册中心|Nacos注册中心|Nacos配置管理|Feign|Gateway服务网关
微服务笔记:第一章_微服务简介|Eureka注册中心|Nacos注册中心|Nacos配置管理|Feign|Gateway服务网关 1. 微服务简介 1.1 服务架构演变 1.2 SpringCloud ...
- nacos 公共_技术分享——使用nacos作注册中心和配置中心
什么是nacos? 首先看下官方的简介: Nacos 致力于帮助您发现.配置和管理微服务.Nacos 提供了一组简单易用的特性集,帮助您快速实现动态服务发现.服务配置.服务元数据及流量管理. Naco ...
- gateway nacos注册服务_使用Nacos作为微服务注册中心和配置中心
使用Nacos作为微服务注册中心和配置中心 一.技术简介 Nacos是阿里系开发的兼容Spring Cloud的服务注册中心组件,是微服务国产化的先驱.Nacos作为与Eureka的对比,不仅具有Eu ...
- 数据中心网络故障处理_数据处理中心或数据中心
数据中心网络故障处理 数据处理中心或数据中心 (Data Processing Center Or Data Center) A Data Center or Data Processing Cent ...
最新文章
- ner pytorch project code
- 「行业趋势」人工智能凭什么“教育”人
- bootstrap中点击左边展开
- 指针,指针:分装一个函数,实现两个数的交换。 指向固定的区域
- 在什么时候需要使用“常引用”?
- Lighting System Design UVA 11400 (dp+思维)
- [ECharts]echarts/config is not exists
- Error: Cannot find module
- leetcode python3 简单题104. Maximum Depth of Binary Tree
- pytorch_LSTM预测股票行情
- 简单易懂的Android ROM定制与修改教程
- LeetCode:累加数【306】
- 网络安全策略防御加固
- “踢群第一案”上热搜的背后
- php图片虚化处理 api PHP实现生成模糊图片
- 从链家网上爬取租房数据并进行数据分析
- Fortigate飞塔防火墙配置命令
- [Practical.Vim(2012.9)].Drew.Neil.Tip94 学习摘要
- (Google)谷歌笔试算法题:要求相邻的两个数都不小于或者不大于其本身的排序
- 申请idc许可证的条件、流程、需要的材料
热门文章
- linux内核代码container_of
- Python基础学习----Requests获取url请求时间:
- 《数据结构与算法分析:C语言描述》复习——第六章“排序”——插入排序
- Arrays.asList 方法注意事项
- 微软云平台 Azure简介 (三)Windows Azure 存储概述
- 数据结构 5排序算法
- [转载] Python函数中把列表(list)当参数
- [转载] 玩转python中with的使用与上下文管理器
- [转帖] 资本的力量
- P3615 如厕计划