一周统计学速成：一场略带讽刺的深度探索
本周，我们将深入浅出地探讨统计学的核心概念，力求以严谨的技术手法解释基本原理，并辅以轻松的讽刺，让学习过程更轻松有趣。本文将详细分解我的统计学习之旅，涵盖理论知识、实际案例和 Python 代码实现。
1. 描述性统计：数据概述
描述性统计是将原始数据进行总结和整理，使其更易于理解和解释的工具。它是数据分析的第一步，为后续分析奠定基础。
数据类型
-
名义数据:
- 定性数据，类别之间无序。
- 例如：颜色（红、绿、蓝）、品牌（苹果、三星）。
- 可进行的操作：计数、众数计算。
-
顺序数据:
- 定性数据，类别之间有顺序，但数值差异无法衡量。
- 例如：教育程度（高中、本科、研究生）、满意度等级（差、一般、好）。
- 可进行的操作：排名、中位数计算。
-
区间数据:
- 定量数据，数值差异有意义，但无绝对零点。
- 例如：温度（摄氏度、华氏度）。
- 可进行的操作：加法、减法。
-
比率数据:
- 定量数据，数值差异有意义，有绝对零点。
- 例如：体重、身高、收入。
- 可进行的操作：所有算术运算。
集中趋势度量
- 平均数: 数据值的算术平均值。
- 中位数: 排序后数据集中间的数值。
- 众数: 数据集中出现频率最高的数值。
Python 示例：
<code class="python">import numpy as np
from scipy import stats
# 样本数据
data = [12, 15, 14, 10, 12, 17, 18]
mean = np.mean(data)
median = np.median(data)
mode = stats.mode(data).mode[0]
print(f"平均数: {mean}, 中位数: {median}, 众数: {mode}")</code>
2. 离散度度量：展现数据波动
集中趋势度量展现了数据的中心位置，而离散度度量则反映了数据的离散程度或波动性。
关键指标
-
方差 (σ² 表示总体，s² 表示样本):
- 数据与平均值的平均平方差。
- 总体方差公式：σ² = Σ(xᵢ - μ)² / n
- 样本方差公式：s² = Σ(xᵢ - x̄)² / (n-1)
-
标准差 (σ 表示总体，s 表示样本):
- 方差的平方根，与数据具有相同的单位。
-
偏度:
- 描述数据分布的不对称性。
- 正偏斜：尾部向右延伸。
- 负偏斜：尾部向左延伸。
Python 示例：
<code class="python">std_dev = np.std(data, ddof=1) # 样本标准差
variance = np.var(data, ddof=1) # 样本方差
print(f"标准差: {std_dev}, 方差: {variance}")</code>
3. 概率分布：数据行为模型
概率分布描述了随机变量取值的概率分布情况。
概率函数
-
概率质量函数 (PMF):
- 用于离散随机变量。
- 例如：掷骰子。
-
概率密度函数 (PDF):
- 用于连续随机变量。
- 例如：人的身高。
-
累积分布函数 (CDF):
- 表示随机变量取值小于或等于某个值的概率。
Python 示例：
<code class="python">from scipy.stats import norm
# 正态分布的 PDF 和 CDF
x = np.linspace(-3, 3, 100)
pdf = norm.pdf(x, loc=0, scale=1)
cdf = norm.cdf(x, loc=0, scale=1)
print(f"x=1 处的 PDF: {norm.pdf(1)}")
print(f"x=1 处的 CDF: {norm.cdf(1)}")</code>
分布类型
-
正态/高斯分布:
- 对称的钟形曲线。
- 例如：身高、考试成绩。
-
二项分布:
- n 次独立伯努利试验中成功的次数。
- 例如：抛硬币。
-
泊松分布:
- 固定时间间隔内事件发生次数的概率。
- 例如：每小时收到的邮件数量。
-
对数正态分布:
- 对数服从正态分布的变量的分布。
-
幂律分布:
- 例如：财富分配、互联网流量。
正态分布的 Python 示例：
<code class="python">import matplotlib.pyplot as plt
samples = np.random.normal(0, 1, 1000)
plt.hist(samples, bins=30, density=True, alpha=0.6, color='g')
plt.title('正态分布')
plt.show()</code>
4. 推断统计：从样本推断总体
推断统计允许我们根据样本数据对总体进行推断。
关键概念
-
点估计:
- 参数的最佳单点估计值。
-
置信区间:
- 参数可能取值的范围。
-
假设检验:
- 原假设 (H₀): 默认假设。
- 备择假设 (Hₐ): 要检验的假设。
- p 值: 在原假设成立的情况下，观察到当前结果或更极端结果的概率。
-
t 分布:
- 用于小样本的情况。
假设检验的 Python 示例：
<code class="python">from scipy.stats import ttest_1samp
# 样本数据
data = [1.83, 1.91, 1.76, 1.77, 1.89]
population_mean = 1.80
statistic, p_value = ttest_1samp(data, population_mean)
print(f"t 统计量: {statistic}, p 值: {p_value}")</code>
5. 中心极限定理 (CLT)
CLT 指出，无论总体分布如何，样本均值的分布都随着样本量的增加而趋近于正态分布。
Python 示例：
<code class="python">sample_means = [np.mean(np.random.randint(1, 100, 30)) for _ in range(1000)]
plt.hist(sample_means, bins=30, density=True, alpha=0.6, color='b')
plt.title('中心极限定理')
plt.show()</code>
结语
本周，我们对统计学这门引人入胜（有时也略显枯燥）的学科进行了深入探索。从数据概述到概率分布再到统计推断，这是一段充满收获的学习旅程。让我们继续探索数据科学的奥秘，一起披荆斩棘！
