数学期望(也称为平均值)是用于衡量随机变量的平均值或预期值的统计量。它表示随机变量的平均取值。数学期望的计算公式如下:
数学期望 ( μ ) = ∑ i = 1 N x i ⋅ P ( x i ) \text{数学期望} (\mu) = \sum_{i=1}^{N} x_i \cdot P(x_i) 数学期望(μ)=i=1∑Nxi⋅P(xi)
其中:
下面是一个示例,演示如何使用 Python 计算一组数据的数学期望:
# 创建一个示例数据集
data = [10, 20, 30, 40, 50]
probabilities = [0.1, 0.2, 0.3, 0.2, 0.2]
# 使用循环计算数学期望
expectation = sum(x * p for x, p in zip(data, probabilities))
# 输出结果
print("数据集的数学期望为:", expectation)
在这个示例中,我们有一个数据集 data
,其中包含了可能的随机变量取值,以及与每个取值对应的概率列表 probabilities
。然后,我们使用循环来计算数学期望,通过将每个取值乘以其对应的概率,然后将所有这些乘积相加起来。
数学期望表示数据的平均趋势或中心位置。在这个示例中,数学期望表示了随机变量的平均取值,考虑了每个取值的权重(概率)。
方差(Variance)是用于衡量数据集中数据点分散程度的统计量,它是标准差的平方。方差越大,表示数据点越分散;方差越小,表示数据点越集中在均值附近。方差的计算公式如下:
方差 = 1 N ∑ i = 1 N ( x i − x ˉ ) 2 \text{方差} = \frac{1}{N} \sum_{i=1}^{N} (x_i - \bar{x})^2 方差=N1i=1∑N(xi−xˉ)2
其中:
下面是一个示例,演示如何使用 Python 计算一组数据的方差:
import numpy as np
# 创建一个示例数据集
data = [12, 15, 18, 22, 25]
# 使用NumPy计算方差
variance = np.var(data)
# 输出结果
print("数据集的方差为:", variance)
在这个示例中,我们使用了NumPy库中的 np.var()
函数来计算数据集 data
的方差。结果将会打印出数据集的方差。
请注意,方差用于衡量数据的离散程度,它是标准差的平方。方差的平方单位通常与数据的原始单位相同。方差越大,表示数据点分散在均值周围的范围较广,而方差越小,表示数据点更接近均值。
标准差(Standard Deviation)是用于衡量数据集中数据点分散程度的统计量。标准差越大,表示数据点越分散;标准差越小,表示数据点越集中在均值附近。标准差的计算公式如下:
标准差 = 1 N ∑ i = 1 N ( x i − x ˉ ) 2 \text{标准差} = \sqrt{\frac{1}{N} \sum_{i=1}^{N} (x_i - \bar{x})^2} 标准差=N1i=1∑N(xi−xˉ)2
其中:
下面是一个示例,演示如何使用 Python 计算一组数据的标准差:
import numpy as np
# 创建一个示例数据集
data = [12, 15, 18, 22, 25]
# 使用NumPy计算标准差
std_deviation = np.std(data)
# 输出结果
print("数据集的标准差为:", std_deviation)
在这个示例中,我们使用了NumPy库中的 np.std()
函数来计算数据集 data
的标准差。结果将会打印出数据集的标准差。
请注意,标准差用于衡量数据的离散程度,通常与数据的均值一起使用,以更好地理解数据的分布特征。较大的标准差表示数据点分散在均值周围的范围较广,而较小的标准差表示数据点更接近均值。