(史上最全总结)总体方差,样本方差,标准差,抽样方差,标准误差,均方误差,协方差 ........... | 您所在的位置:网站首页 › 自己和自己的协方差等于多少 › (史上最全总结)总体方差,样本方差,标准差,抽样方差,标准误差,均方误差,协方差 ........... |
文章目录
数学期望
\color{blue}数学期望
数学期望
总体和样本
\color{blue}总体和样本
总体和样本
方差
\color{blue} 方差
方差
1.
总体方差
\color{blue}1.总体方差
1.总体方差
2.
样本方差
\color{blue}2.样本方差
2.样本方差
3.
标准差
\color{blue}3.标准差
3.标准差
4.
抽样方差
\color{blue}4.抽样方差
4.抽样方差
5.
标准误差
\color{blue}5.标准误差
5.标准误差
6.
均方差
\color{blue}6.均方差
6.均方差
7.
均方误差
\color{blue}7.均方误差
7.均方误差
8.
均方根误差
\color{blue}8.均方根误差
8.均方根误差
9.
协方差
\color{blue}9.协方差
9.协方差
10.
极差
\color{blue}10.极差
10.极差
数学期望
\color{blue}数学期望
数学期望
1.概念:
在概率论和统计学中,数学期望 (mean)(或 均值,亦简称期望)是试验中每次可能结果的 概率 乘以其结果的总和,是最基本的数学特征之一。它反映随机变量 平均取值 的大小。 需要注意的是,期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。期望值是该变量输出值的 平均数 。期望值并不一定包含于变量的输出值集合里。 大数定律 规定,随着重复次数接近无穷大,数值的算术平均值几乎肯定地收敛于期望值 2. 离散型随机变量的期望:离散型随机变量的一切可能的取值 X i X_i Xi 与对应的概率 p ( X i ) p(X_i) p(Xi) 乘积之和称为该离散型随机变量的数学期望(若该求和绝对收敛),则记为 E ( X ) E(X) E(X)。 若离散型随机变量 X X X 的取值为 X 1 X_1 X1 , X 2 X_2 X2 , X 3 X_3 X3 , … \ldots … , X i X_i Xi , … \ldots … ; p ( X 1 ) p(X_1) p(X1) , p ( X 2 ) p(X_2) p(X2) , p ( X 3 ) p(X_3) p(X3) , … \ldots … , p ( X i ) p(X_i) p(Xi) , … \ldots … 则为 X X X 对应取值的概率。 E ( X ) = X 1 ∗ p ( X 1 ) + X 2 ∗ p ( X 2 ) + X 3 ∗ p ( X 3 ) + … + X i ∗ p ( X i ) E(X) = X_1*p(X_1)+X_2*p(X_2)+X_3*p(X_3)+\ldots+X_i*p(X_i) E(X)=X1∗p(X1)+X2∗p(X2)+X3∗p(X3)+…+Xi∗p(Xi) E ( X ) = ∑ i = 1 ∞ X i ∗ p ( X i ) \color{red}{E(X) = \sum_{i=1}^\infty X_i*p(X_i)} E(X)=i=1∑∞Xi∗p(Xi) 3. 连续型随机变量的期望:设连续性随机变量X的概率密度函数为 f ( x ) f(x) f(x),若积分绝对收敛,则称积分的值 ∫ − ∞ ∞ x f ( x ) d x \int_{-\infty}^{\infty} {xf(x)} \,{\rm d}x ∫−∞∞xf(x)dx 为随机变量的数学期望,记为 E ( X ) E(X) E(X)。 E ( X ) = ∫ − ∞ ∞ x f ( x ) d x \color{red}{E(X) = \int_{-\infty}^{\infty} {xf(x)} \,{\rm d}x} E(X)=∫−∞∞xf(x)dx 若随机变量 X 的分布函数 F ( x ) F(x) F(x) 可表示成一个非负可积函数 f ( x ) f(x) f(x) 的积分,则称 X X X 为连续性随机变量, f ( x ) f(x) f(x) 称为 X X X 的概率密度函数。 参考百度百科:https://baike.baidu.com/item/%E6%95%B0%E5%AD%A6%E6%9C%9F%E6%9C%9B 总体和样本 \color{blue}总体和样本 总体和样本
概率论中方差用来度量随机变量和其数学期望(均值)之间的偏离程度。 统计中的方差(样本方差)是每个样本值与全体样本值的平均数之差的平方值的平均数。 方差用 V a r ( X ) Var(X) Var(X) 或者 D ( X ) D(X) D(X) 表示:D ( X ) = E [ X − E ( X ) ] 2 = E [ X 2 − 2 X E ( X ) + ( E X ) 2 ] = E ( X 2 ) − 2 ( E X ) 2 + ( E X ) 2 = E ( X 2 ) − ( E X ) 2 (1) \color{red} \begin{aligned} D(X) &= E[X-E(X)]^2 \\ &= E[X^2-2XE(X)+(EX)^2] \\ &= E(X^2)-2(EX)^2+(EX)^2 \\ &= E(X^2)-(EX)^2\tag{1} \end{aligned} D(X)=E[X−E(X)]2=E[X2−2XE(X)+(EX)2]=E(X2)−2(EX)2+(EX)2=E(X2)−(EX)2(1) ① . 总体方差(有偏估计) \color{blue}①. 总体方差 (有偏估计) ①.总体方差(有偏估计)σ 2 = ∑ i = 1 N ( X i − μ ) 2 N \color{red}\sigma^2 = \frac{\sum_{i=1}^N(X_i-\mu)^2}{N} σ2=N∑i=1N(Xi−μ)2 σ 2 \sigma^2 σ2 为总体方差, N N N 为总体的个数, X i X_i Xi为变量, μ \mu μ 为总体均值。 我们中学其实就已经学到了这个标准定义的方差,除数为总体样例的个数 n n n。 ② . 样本方差(无偏估计) \color{blue}②. 样本方差 (无偏估计) ②.样本方差(无偏估计)S 2 = 1 n − 1 ∑ i = 1 n ( X i − X ‾ ) 2 \color{red}{S^2 = \frac{1}{n-1}\sum_{i=1}^n(X_i-\overline{X})^2} S2=n−11i=1∑n(Xi−X)2 S 2 S^2 S2 为样本方差, n ( n < < N ) n(n |
CopyRight 2018-2019 实验室设备网 版权所有 |