微积分 —— 极限
摘要：
“极限”是数学中的分支——微积分的基础概念。
极限的思想是近代数学的一种重要思想，数学分析就是以极限概念为基础、极限理论(包括级数)为主要工具来研究函数的一门学科。 阅读全文
posted @ 2020-12-03 12:09 马露天使 阅读(1155) 评论(0) 推荐(0) 编辑
用Python学分析 - 时间序列：线性趋势及分析
摘要：
对于平稳时间序列，可以建立趋势模型。当有理由相信这种趋势能够延伸到未来时，赋予变量t所需要的值，可以得到相应时刻的时间序列未来值，这就是趋势外推法 【分析实例】 根据1992-2005年的人口出生率的数据，使用最小二乘法确定直线趋势方程， 1) 并计算各期的预测值和预测误差2) 预测2007年的人口 阅读全文
posted @ 2019-07-04 18:08 马露天使 阅读(4337) 评论(0) 推荐(0) 编辑
用Python学分析 - 单因素方差分析
摘要：
单因素方差分析(One-Way Analysis of Variance) 判断控制变量是否对观测变量产生了显著影响 分析步骤 1. 建立检验假设 - H0：不同因子水平间的均值无差异 - H1：不同因子水平间的均值有显著差异 - 【注意】有差异，有可能是所有因子水平间都存在差异，也有可能只有两个因 阅读全文
posted @ 2019-05-24 15:46 马露天使 阅读(6708) 评论(0) 推荐(0) 编辑
用Python学分析 - 二项分布
摘要：
二项分布（Binomial Distribution）对Bernoulli试验序列的n次序列，结局A出现的次数x的概率分布服从二项分布- 两分类变量并非一定会服从二项分布- 模拟伯努利试验中n次独立的重复，每次试验成功的概率为pi 特征值 - 均值（数学期望）和方差： - 不同的值，二项式分布有着不 阅读全文
posted @ 2019-04-29 17:21 马露天使 阅读(3469) 评论(0) 推荐(0) 编辑
描述性统计指标 - 众数 Mode
摘要：
众数：出现频数最多的变量值，适用于描述具有较多个值的变量，且变量值的分布有明显集中趋势的情况 阅读全文
posted @ 2019-04-24 16:13 马露天使 阅读(1571) 评论(0) 推荐(0) 编辑
用Python学分析 - t分布
摘要：
1. t分布形状类似于标准正态分布2. t分布是对称分布，较正态分布离散度强，密度曲线较标准正态分布密度曲线更扁平3. 对于大型样本，t-值与z-值之间的差别很小 作用- t分布纠正了未知的真实标准差的不确定性- t分布明确解释了估计总体方差时样本容量的影响，是适合任何样本容量都可以使用的合适分布 阅读全文
posted @ 2019-03-22 15:17 马露天使 阅读(7222) 评论(0) 推荐(0) 编辑
Python练习：哥德巴赫猜想
摘要：
哥德巴赫猜想 哥德巴赫 1742 年给欧拉的信中哥德巴赫提出了以下猜想：任一大于 2 的偶数都可写成两个质数之和。但是哥德巴赫自己无法证明它，于是就写信请教赫赫有名的大数学家欧拉帮忙证明，但是一直到死，欧拉也无法证明。因现今数学界已经不使用“1 也是质数”这个约定，原初猜想的现代陈述为：任一大于 5 阅读全文
posted @ 2018-12-31 11:44 马露天使 阅读(7300) 评论(0) 推荐(0) 编辑
用Python学分析 - 正态分布
摘要：
正态分布（Normal Distribution） 1、正态分布是一种连续分布，其函数可以在实线上的任何地方取值。 2、正态分布由两个参数描述：分布的平均值μ和方差σ2 。 3、正态分布的取值可以从负无穷到正无穷。 3、Z-score 是非标准正态分布标准化后的x 即 z = （x−μ） / σ # 阅读全文
posted @ 2018-12-29 11:02 马露天使 阅读(3216) 评论(0) 推荐(0) 编辑
用Python学分析：集中与分散
摘要：
散点图进阶，结合箱体图与直方图对数据形成全面的认识 描述数据集中趋势的分析量： 均值 - 全部数据的算术平均值 众数 - 一组数据中出现次数最多的变量值 中位数 - 一组数据经过顺序排列后处于中间位置上的变量值 描述数据离散程度的分析量： 方差 - 一组数据各变量值与其平均值离差平方和的平均数 标准 阅读全文
posted @ 2018-12-23 12:14 马露天使 阅读(1519) 评论(0) 推荐(0) 编辑
用Python学分析 - 散点图
摘要：
# 运用散点图对数据分布得到直观的认识 1 import numpy as np 2 import matplotlib.pyplot as plt 3 4 # 设计 x, y 轴 5 n = 10000 6 x = np.random.randn( n ) # 随机值 7 y = np.rando 阅读全文
posted @ 2018-12-21 15:29 马露天使 阅读(1165) 评论(0) 推荐(0) 编辑
