统计简单学_估计
来源:互联网 发布:qq群优化软件怎么用 编辑:程序博客网 时间:2024/06/13 08:51
- 抽样分布与中央极限定理
- 抽样分布
- 中央极限定理
- 估计方法简介
- 点估计
- 区间估计
- 群体平均数mu的1-alpha信赖区间
- 总体原则
- 方差已知
- 方差未知且为大样本
- 信赖区间的含义
- 信赖区间与z值图
- 例子
- 方差未知
- t分布区间估计公式
- t分布简介
- t分布性质
- t分布几率表与t值计算
- 例子
- 群体比率值PP的1-alpha信赖区间
- 群体方差2sigma2的1-alpha信赖区间
- 公式
- 卡方分布及其几率表
- 例子
- 样本大小之决定
- 估计平均数时
- 估计比率时
- 回顾
- R语言实践
抽样分布与中央极限定理
抽样分布
从群体中抽取样本,样本统计量的几率分布称为抽样分布。
中央极限定理
从均值为
μ ,方差为σ2 的群体中,以放回抽样的方法抽取样本大小为n 的样本,当n 足够大(n>=30 )时,样本均值的抽样分布近似服从均值μ ,方差σ2/n 的正态分布。
估计方法简介
估计分为
- 点估计
- 区间估计
点估计
区间估计
区间估计,首先找到所求值的点估计,然后根据数据获得所求值得抽样分布,确定信赖水平(可信度),最后得到相应信赖水平下的信赖区间。
群体平均数μ 的(1-α )信赖区间
总体原则
- 根据中心极限定理,n足够大时,样本平均值的抽样分布近似为正态分布,可以用z分布或者t分布来近似。
- 当群体方差已知的时候,不需要使用样本方差去估计总体方差,使用z检验。
- 当群体方差未知的时候,原则上应使用样本方差估计总体方差,使用t检验。但是当样本数目大于30的时候,t检验和z检验结果相当接近,为了方便计算采用z检验。
方差已知
方差未知且为大样本
信赖区间的含义
95%信赖区间的含义是:样本数目不变的情况下,做一百次实验,得到一百个置信区间,共有95个置信区间包含了群体的真值。置信度为95%。
因为100个置信区间有95个都会包含真值,所以我们用95%置信度的置信区间包含真值的可能性就很大。
信赖区间与z值图
例子
方差未知
t分布区间估计公式
t分布简介
t分布性质
t分布几率表与t值计算
例子
群体比率值P 的(1-α )信赖区间
群体方差σ2 的(1-α )信赖区间
公式
卡方分布及其几率表
例子
样本大小之决定
样本大小的决定,受限于误差和置信度。
估计平均数时
估计比率时
回顾
R语言实践
#第一组为均值0的正态分布,第二组为均值0.1的正态分布data = rnorm(100)data2 = rnorm(100,mean = 0.1)#画数据的密度图和直方图plot(density(data))hist(data)#检验数据是否是正态分布#p<0.05则拒绝正态分布的假设shapiro.test(data)shapiro.test(data2)qqnorm(data);qqline(data,col=2)qqnorm(data2);qqline(data2,col=2)#对数据的平均数用t检验,查看95%置信区间以及平均数的显著程度。t.test(data)t.test(data,conf.level = 0.9)t.test(data2,mu=0.1)#自定义函数,可以求已知或未知群体方差的任意alpha水平的平均数的置信区间confint <- function(x,sigma=-1,alpha=0.05) { n = length(x) xb = mean(x) #z-distribution if(sigma>=0){ tmp = sigma/sqrt(n)*qnorm(1-alpha/2) df = n } else{ tmp = sd(x)/sqrt(n)*qt(1-alpha/2,n-1) df = n-1 } data.frame(mean=xb,df=df,a=xb-tmp,b=xb+tmp)}confint(data)confint(data2)#对比例进行检定prop.test(83,100,.75,conf.level = .9)prop.test(30,500,.75)binom.test(83,100,.75,conf.level = .9)#对方差进行检定var.interval = function(data,conf.level=0.95){ df = length(data)-1 chilower = qchisq((1-conf.level)/2,df) chiupper = qchisq((1-conf.level)/2,df,lower.tail = FALSE) v = var(data) c(df*v/chiupper, df*v/chilower)}#对置信区间取样,解释置信区间#lizard tail length datalizard = c(6.2,6.6,7.1,7.4,7.6,7.9,8,8.3,8.4,8.5,8.6, 8.8,8.8,9.1,9.2,9.4,9.4,9.7,9.9,10.2,10.4,10.8, 11.3,11.9)#采样数据n.draw = 100mu = 9n = length(lizard)SD = sd(lizard)draws = matrix(rnorm(n.draw*n,mu,SD),n)#针对100个样本,分别计算其置信区间get.conf.int = function(x) t.test(x)$conf.intconf.int = apply(draws,2,get.conf.int)sum(conf.int[1,] <= mu & mu<=conf.int[2,])#可视化plot(range(conf.int),c(0,1+n.draw),type="n",xlab="mean tail length",ylab="sample run")for(i in 1:n.draw) lines(conf.int[,i],rep(i,2),lwd=2)abline(v=9,lwd=2,lty=2,col=2)
0 0
- 统计简单学_估计
- 统计简单学_基本概念
- 统计简单学_正态分布
- 统计简单学_常用统计量
- 统计简单学_常用统计图表
- 统计简单学_假说检定
- 统计简单学_变异数分析
- 统计简单学_回归分析
- 菜鸟学概率统计——风险估计
- 菜鸟学概率统计——最大似然估计(MLE)
- 菜鸟学概率统计——最大似然估计(MLE)
- 统计参数的矩估计
- 统计量估计中的重采样技术
- 统计参数的最大似然估计
- 简单头部姿态的估计
- 蓝桥杯_算法提高_学霸的迷宫(简单回溯法,没有减枝)
- 最大似然估计_入门
- 程序备忘_速度估计_LV41_speed_cal_and_test
- Opencv输出图像函数-imwrite
- Java AIO 认识
- 设计模式之单例模式
- JFinal - port: 80 already in use
- memcpy 和 memmove 函数
- 统计简单学_估计
- 放弃是最难的进步,进步是最大的放弃
- js的DOM(节点操作)
- memcache实例:缓存一条sql语句的执行结果
- iOS逆向工程-静态分析
- hdu 5414 CRB and String(贪心)
- artTemplate的嵌套使用
- Hibernate 一对多控制总结
- iOS逆向工程-动态分析