- 综合排序
- 最热优先
- 最新优先
- 来自专栏诡途的python路
Task2：数理统计与描述性分析
""" a = [1,2,4,5,3,12,12,23,43,52,11,22,22,22] a_mean = np.mean(a) #均值 a_med = np.median(a) #中位数 print = ser.mode() #得到的是Series print("a的众数:",a_m2.iloc[0]) # 转成pandas的数据框，返回df数据框 # 包含 计数、均值、标准差、最大最小值，中位数 """ a_var = np.var(a) #方差 a_std1 = np.sqrt(a_var) #标准差 a_std2 = np.std(a) #标准差 a_mean = np.mean(a) #均值 a_cv = a_std2 /a_mean #变异系数 print("a的方差:",a_var) print("a的标准差:",a_std1) print("a的标准差:",a_std2) print ("a的均值:",a_mean) print("a的变异系数:",a_cv) 2、频率分布表 案例题目： data=pd.read_excel("Return.xlsx",sheet_name
82910编辑于 2022-05-09 - 来自专栏产品经理的人工智能学习库
数理统计（Mathematical statistics）
文章目录 百度百科版本 数理统计是数学的一个分支，分为描述统计和推断统计。它以概率论为基础，研究大量随机现象的统计规律性。
91110发布于 2019-12-18 - 来自专栏PPV课数据科学社区
连载 | 概率论与数理统计(2) – 随机变量概述
图2：连续型随机变量的概率密度分布函数 常见的连续型随机变量包括以下几种： 均匀分布 指数分布 正态分布 概率密度函数的性质 所有的概率密度函数f(x)都满足下面的两条性质； 所有满足下面两条性质的一元函数也都可以作为概率密度函数 References ---- 《概率论与数量统计》，陈希孺，中国科学技术大学出版社，2009年2月第一版 中国大学MOOC：浙江大学，概率论与数理统计 https://en.wikipedia.org /wiki/Probability_distribution 来源：http://www.cnblogs.com/Belter/p/7147961.html 待续…… 系列回顾： 连载 | 概率论与数理统计
1K10发布于 2018-07-24 - 来自专栏FREE SOLO
数理统计----协方差公式推导
协方差公式推导 cov(X,Y)=∑ni=1(Xi−X¯)(Yi−Y¯)n=E[(X−E[X])(Y−E[Y])] cov(X,Y)=∑i=1n(Xi−X¯)(Yi−Y¯)n=E[(X−E[X])(Y−E[Y])]
3.1K20发布于 2019-06-14 - 来自专栏前行的CVer
概率论与数理统计
⌛️本文状态：已完结✔️ 翻到一年前自己的日志中记载到“要深入理解好大数定律和中心极限定理，这是数理统计的灵魂。”感觉还挺叼的，翻出来复习一下。 1 \lim_{n \to\infty}P(|X_n-a|<\epsilon)=1 ¶1.2 例题 设$\{ X_n\}$服从$X_n\sim f_n(x)=\dfrac{n}{\pi(1+n^2x ^2)},{-\infty}<{x}<{+\infty}$，证明$x_n \xrightarrow{p} 0$ 证明： $$ P(|X_n-0|<{\epsilon})=p(-\epsilon<{ x_n}<{\epsilon})\\ =\int_{-\epsilon}^{\epsilon}\frac{n}{\pi(1+n^2x^2)}dx\\="\frac{1}{\pi}\arctan{n\epsilon }|_{-\epsilon}^{\epsilon}\\" =\frac{2}{\pi}\arctan{n\epsilon}\\ \lim_{n \to \infty}p\{|x_n-0|<{\epsilon
59910发布于 2021-03-04 - 来自专栏云计算与大数据
数理统计｜回归分析的概念
hsa_kw=&hsa_mt=&hsa_net=adwords&hsa_ver=3&gclid=CjwKCAiArOqOBhBmEiwAsgeLmSNKfEBC1-28BCMo191qR1ob9hYz25-6s2YIRHY6avjUPN5QJen5lBoCdBsQAvD_BwE
74710编辑于 2022-01-17 - 来自专栏mathor
概率论与数理统计（一）
一、样本空间 一个试验若满足条件： （1）试验可以在相同的条件下重复进行； （2）试验的所有结果是明确可知的，并且不止一个； （3）进行一次试验之前无法预料哪个结果会出现； 那么则称这样的试验为随机实验 事件的包含（$A\subset B$） A发生必然导致$B$发生，则称事件$B$包含了事件$A$，或称事件$A$是$B$的子事件，显然有$\emptyset\subset A\subset B$. 2. 或称他们为互逆事件，$A$的对立事件记为$\bar{A}$.对立必然互斥，互斥不一定会对立 四、事件的运算 （1）交换律 $A \bigcup B = B \bigcup A，AB = BA$ （2）
58540发布于 2018-06-22 - 来自专栏我的充电站
概率论与数理统计 Chapter2. 随机变量及概率分布
概率论与数理统计 Chapter2. 随机变量及概率分布 1. 离散分布 1. 二项分布 1. 概率密度函数 2. 典型应用场景 2. 负二项分布（帕斯卡分布） 1. 概率密度函数 2. 概率密度函数 2. 典型应用场景 4. 超几何分布 1. 概率密度函数 2. 典型应用场景 5. 泊松分布 1. 概率密度函数 2. 典型应用场景 2. 连续分布 1. 均匀分布 1. 概率密度函数 2. 指数分布 1. 概率密度函数 2. 典型应用场景 3. 威布尔分布 1. 密度分布函数 2. 典型应用场景 4. 一维正态分布 1. 密度分布函数 5. 条件概率定义 2. 贝叶斯公式 3. 独立性定义 4. 联合概率分布 1. 二项分布之和 2. 泊松分布之和 3. 正态分布之和 4.
45320编辑于 2022-04-13 - 来自专栏Java架构师必看
概率论与数理统计 卡方分布_概率论与数理统计方差的性质
概率论与数理统计 卡方分布_概率论与数理统计方差的性质概率论与数理统计——卡方分布的期望与方差E(X)=nD(X)=2n 若X为随机变量，且X满足X∼χ2(n)X\sim\chi^2(n)X∼χ2(n E(X)=n 证明如下：E(X)=E(∑i=1nXi2)=∑i=1nE(Xi2)=∑i=1n(D(Xi)+E2(Xi))E(X)=E(\sum_{i=1}^nX_i^2)=\sum_{i=1}^nE( X_i^2)=\sum_{i=1}^n(D(X_i)+E^2(X_i))E(X)=E(i=1∑nXi2) 大家好，我是架构君，一个会写代码吟诗的架构师。 今天说一说概率论与数理统计 卡方分布_概率论与数理统计方差的性质,希望能够帮助大家进步!!! 概率论与数理统计——卡方分布的期望与方差 E(X)=n D(X)=2n 若X为随机变量，且X满足 X ∼ χ 2 ( n ) X\sim \chi ^2(n) X∼χ2(n)，则期望E(X)=
78150编辑于 2022-05-03 - 来自专栏mathor
概率论与数理统计（二）
一、概率性质 1. 2.P( 3.（有限可加性） 两两互斥，即 ,i≠j,则 4.若 则有 5. 二、古典概型（“一把抓”与“一个一个取”的区别） 若试验满足： 1.样本空间S中样本点有限（有限性） 2.出现每一个样本点的概率相等（等可能性） 称这种试验为等可能概型（古典概型） 用一道例题作为引子 例1：一袋中有5个球，其中3个为白球，2个为黄球，设取到每一个球的可能性相等 （1）从袋中随机取两个球，记 （2）从袋中不放回的取两个球，记 其实对于第一问，可能有的人看了就会觉得 “一把抓” ，“一把抓”是我们做题经常用的方法，直接从所有的球中摸两个出来，所以是 ，从3个白球中摸一个出来 ，从2个黄球中摸一个出来 总结一下 “一把抓”这种方式，简单粗暴，容易理解
1.4K30发布于 2018-06-22 人工智能数学基础（六）：数理统计
数理统计是人工智能中数据处理和分析的核心工具，它通过收集、分析数据来推断总体特征和规律。本文将系统介绍数理统计的基本概念和方法，并结合 Python 实例，帮助读者更好地理解和应用这些知识。 6.1 概述 6.1.1 数理统计发展简史 数理统计起源于 17 世纪，经过贝叶斯、高斯等统计学家的贡献，逐渐发展为一门成熟的学科。 在现代，随着计算机技术的发展，数理统计在人工智能、大数据等领域得到了广泛应用。 6.1.2 数理统计的主要内容 数理统计主要包括描述性统计、参数估计、假设检验、回归分析等内容，用于从数据中提取信息、做出决策和预测。 / (2 * sigma ** 2)) / (sigma * np.sqrt(2 * np.pi)) # 返回负对数似然值 return -np.sum(np.log(pdf_values
20310编辑于 2026-01-21- 来自专栏glm的全栈学习之路
数理统计之数据预测：浅谈ARIMA模型
2.本质上只能捕捉线性关系，而不能捕捉非线性关系。 注意，采用ARIMA模型预测时序数据，必须是稳定的，如果不稳定的数据，是无法捕捉到规律的。 2. 判断是时序数据是稳定的方法。 严谨的定义： 一个时间序列的随机变量是稳定的，当且仅当它的所有统计特征都是独立于时间的（是关于时间的常量）。 二次一阶差分表示为： Δ2xt=Δxt−Δxt−1 ∆2xt=∆xt−∆xt−1 由此可以引申出d次一阶差分的表示。 首先：（1）经过d次差分后，判断该随机过程是否平稳；(2) 找到合适的d之后，xtxt转化为平稳的随机过程Δdxt∆dxt ；（3）Δdxt∆dxt构建为自回归移动平均过程，ARMA(p,q)，即完成了将随机过程
5.9K20发布于 2020-09-28 - 来自专栏机器学习与统计学
概率论与数理统计公式整理(完整版)
转自：轻松学高等数学（easystudymath） 第二章 随机变量及其分布 第三章 二维随机变量及其分布 第四章 随机变量的数字特征 第五章 大数定律和中心极限定理 第六章 样本及抽样分布 第七章
4.9K33发布于 2019-07-15 - 来自专栏rikka
数据科学基础(五) 数理统计的基本概念
文档目录 随机事件及其概率 随机变量及其分布 期望和方差 大数定律与中心极限定理 数理统计的基本概念 参数估计 假设检验 多维 回归分析和方差分析 降维 5.1. 总体与样本 5.2. \frac{1}{n}\sigma^2 ES^2=\sigma^2 前两者证明略. 卡方分布($\chi^2$分布) 定理: 设随机变量 X_{1}, X_{2}, \ldots, X_{n} 相互独立,且服从标准正态分布,则他们的平方和 \chi^{2}=X_{1}^{2}+X_{2 ) 证明: 定理: 两个正态总体 X\sim N(\mu_1,\sigma_1^2),Y\sim N(\mu_2,\sigma_2^2),X 取了n_1 个,Y 取了 n_2 个,\bar 1}}{n_{1}}+\frac{\sigma_{2}^2}{n_{2}}\right) \displaystyle\frac{S_{1}^{2} / \sigma_{1}^{2}}{S_{2}^{2
91920编辑于 2022-01-19 - 来自专栏微生态与微进化
回归分析与方差分析：数理统计的基石
这两种分析是很多数理统计例如组间差异分析（Metastats、Adonis、Anosim）、约束排序分析（RDA、CCA、CAP）、决策树分析（MRT、ABT、RF）的基础，堪称数理统计的基石。 在前面的两篇文章经典方差分析：手把手教你读懂、会用1和经典方差分析：手把手教你读懂、会用2中介绍了方差分析，今天主要介绍回归分析。 为了衡量回归模型的好坏，我们构建统计量R2=U/St=(St-Q)/St，其中U为回归平方和（因变量拟合值的方差），Q为残差平方和，不难想象若是回归模型显著，那么Q接近于0，R接近于1。 R2实际上代表了解释变量所解释的因变量方差占总方差的比例，也即方差贡献率，在3.3.2.4VPA分析中就是使用了这一概念来衡量不同解释变量的方差贡献率。
1.4K20编辑于 2022-05-05 - 来自专栏Datawhale专栏
机器学习数学基础：数理统计与描述性统计
而今天的这篇内容是在概率论的基础上往前一步， 属于数理统计的内容。 数理统计基础 前面已经分析了数理统计是基于是通过从未知分布中抽取多个样本， 对这些数据进行统计分析进而去分析随机变量的规律和特点， 所以在这里面依然会涉及到一些基本的概念。 在数理统计中， 总体就是研究对象的全体， 通常用一个随机变量表示， 组成总体的每个基本单元叫个体， 而总体中包含的个体总数就是总体容量。 a = [1,2,4,5,3,12,12,23,43,52,11,22,22,22] a_var = np.var(a) #方差 a_std1 = np.sqrt(a_var) #标准差 a_std2 写到最后 数理统计是从抽样统计的角度去估计样本的总体分布或未知的规律， 首先介绍了数理统计里面的基本概念， 例如总体，个体， 样本等， 然后是统计量与抽样分布， 介绍了常用的统计量像均值， 方差， 标准差
2K20发布于 2020-07-02 - 来自专栏华章科技
详解数据科学与数理统计的基本概念
导读：数据分析要熟练掌握数据科学与数理统计的基本概念。 作者：张秋剑 张浩 周大川 常国珍 来源：大数据DT 01 数据科学的基本概念 随着计算机技术的发展和有用数据的快速增多，数据科学应运而生。 ▼表1-1 淘宝商家的交易流水 图1-2是根据表1-1的数据所做的RFM模型。RFM模型将每个信息进行二次分类，得到客户分群。 ▲图1-2 RFM模型示例 经过以上数据分析，我们终于可以进行有针对性的折扣券营销了。细心的读者可以发现，数据分析是按照图1-1所示的工作范式从右至左规划和分析、从左至右实际操作的。 02 数理统计技术 数理统计博大精深，但入门并不难。只要掌握本节中介绍的描述性统计分析和统计推断的知识，你便可应对绝大部分工作。 1. 读者将来只要按照表1-2所示方法分析，即可大大缩减学习时间。
76110编辑于 2022-03-11 - 来自专栏小小挖掘机
机器学习数学基础：数理统计与描述性统计
而今天的这篇内容是在概率论的基础上往前一步， 属于数理统计的内容。 数理统计基础 前面已经分析了数理统计是基于是通过从未知分布中抽取多个样本， 对这些数据进行统计分析进而去分析随机变量的规律和特点， 所以在这里面依然会涉及到一些基本的概念。 在数理统计中， 总体就是研究对象的全体， 通常用一个随机变量表示， 组成总体的每个基本单元叫个体， 而总体中包含的个体总数就是总体容量。 a = [1,2,4,5,3,12,12,23,43,52,11,22,22,22] a_var = np.var(a) #方差 a_std1 = np.sqrt(a_var) #标准差 a_std2 写到最后 数理统计是从抽样统计的角度去估计样本的总体分布或未知的规律， 首先介绍了数理统计里面的基本概念， 例如总体，个体， 样本等， 然后是统计量与抽样分布， 介绍了常用的统计量像均值， 方差， 标准差
2.6K20发布于 2020-07-03 - 来自专栏PPV课数据科学社区
连载 | 概率论与数理统计(1) – 基本概念
概率论与数量统计： 实际上，一般概率论与数理统计被认为是两个学科。 对每一个事件A，定义P(A)，满足： 非负性：P(A) ≥ 0； 规范性：P(S) = 1； 可列可加性：A1, A2, …两两互斥，及AiAj = ∅, i≠j, 则P(∪Ai) = ∑P(Ai) 后面的统计学是建立在概率论的理论基础之上的，因此可以说理解随机变量这个概念是学习和运用概率论与数理统计的关键。 图2：a.随机变量与事件的关系；b.随机变量的本质是函数（一种映射关系） 随机变量的定义并不复杂，但是理解起来却并不是那么直观。参考图2的两个示意图，可以帮助理解。 Reference ---- 中国大学MOOC：浙江大学，概率论与数理统计 中国大学MOOC：哈尔滨工业大学，概率论与数理统计 https://www.mathsisfun.com/data/random-variables.html
94210发布于 2018-07-24 - 来自专栏数据森麟
数理统计与概率论及Python实现——随机变量
后面的统计学是建立在概率论的理论基础之上的，因此可以说理解随机变量这个概念是学习和运用概率论与数理统计的关键。 参考图2的两个示意图，可以帮助理解。
75510发布于 2020-09-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号