20181115更新
分布左右偏不能使用x均值估計
箱線圖-> max，min，中位數，上下四分位數
畫圖的時候，要標記時間，地點，內容，標題，和編號五個要素
1類錯誤是棄真，有問題結果認為沒問題
2類錯誤是沒問題認為有問題
列聯表分時適用於分類變數的推斷，卡方檢驗
統計量是樣本的函式，樣本不同，計算的統計量也不同
抽樣：選乙個好樣本，現在有種蓄水池抽樣方法
實驗對照組，需要隨機產生，剔除其他影響
p值是當原假設為真時樣本觀察的結果
幾何平均數是用來衡量平均增長率
自由度，獨立變數的個數，也是二次型的秩
樣本方差分布於總體分布，（n-1）s2/o2~x2(n-1)
2個西格瑪可以保證95%的置信區間
無偏性：統計量抽樣分布的期望等於總體引數
有效性：對於同乙個無偏統計量，方差越小越好
一致性：n增加時，越準確
1：統計學三大分布，呵呵，沒有正態，f，t，卡方分布
f分布（f檢驗）用來檢驗方差齊性，可用直方圖和p-p圖來檢驗（spss/r），如果方差隨自變數x變大而變大，說明方差不齊，各個樣本的資料可能不是來自乙個整體，
比如汽車擁有量，大城市的樣本多，小城市樣本少，人口對於模型的影響較大，因此要做乙個修正。。或者改用非引數檢驗
關於正態性檢驗，先可以畫個直方圖，樣本量大於50看sw檢驗，樣本量小於50看ks檢驗
t分布：自由度ν越小，t分布曲線越低平；自由度ν越大，t分布曲線越接近標準正態分佈（u分布）曲線。t分布其實是由正態分佈和卡方分布共同推導而來的，它的思路是樣本的均值服從正態分佈，而實際方差不能僅僅簡單等同於樣本中計算來的方差，要等同於乙個服從卡方分布的方差，最後推導出了t分布。t分布中也有自由度的概念，往往採樣本數減去1為自由度v。
卡方分布：若干個隨機變數的平方和服從卡方分布，用來檢驗隨機變數是否服從其給定的概率的，服從某種分布的。貌似在列聯表裡有用到。
t檢測：應用於小樣本的情況。中心極限定理告訴我們隨著樣本的容量變大，樣本的均值將成正態分佈，而當樣本較小的時候分布則更接近t分布。
協方差：表示x, y 相互關係的數字特徵，cov(x, y) = e(x-ex)(y-ey)，當 cov(x, y)>0時，表明 x與y 正相關；當 cov(x, y)<0時，表明x與y負相關；當 cov(x, y)=0時，表明x與y不相關。
變異係數：將離散程度標準化，等於均值除以方差
大數定律：當n很大，樣本均值約等於期望
中心極限定律：不管什麼分布，獨立隨機變數的均值分布趨近於正態分佈
泊松分布：一段時間內或者一定空間內事件的發生次數的對應概率。
統計基礎知識
隨機試驗 1 含義 在相同的條件下，對某種隨機現象進行多次重複觀察 2 特點 1 在相同的條件下可以進行多次重複試驗 2 試驗前不會知道會產生什麼效果，但是知道可 能出現的結果有哪些 3 重複試驗的結果是隨機出現的 3 案例 比如拋硬幣，每次拋銀幣正面或者反面朝上的概率都是0.5，重複拋20次並統計...
統計學基礎知識（二）
一 中心極限定理 1.定義 這與x符合正態分佈時的唯一差別是 樣本的大小無所謂。所以可以總結出這樣一句話來 根據中心極限定理，如果總體的樣本很大，則樣本均值的分布近似為正態分佈。來看看均值和方差的推導過程 2.使用中心極限定理 1 二項分布 2 泊松分布 此時計算樣本均值的概率可以說是非常容易了，因...
統計假設檢驗基礎知識
統計假設檢驗基礎知識 nachex 統計假設檢驗有很多，從大的方面包括引數檢驗與非引數檢驗。引數檢驗有我們常見的關於方程模型顯著性檢驗的f檢驗，方程引數的t檢驗等 而非引數檢驗中比較常見的則包括符號檢驗 秩和檢驗以及遊程檢驗。提到引數檢驗時，不得不說的乙個概念就是p 值，也就是sas spss等統計...