|
本帖最后由 leea1b2c3 于 2022-9-5 14:38 编辑
● 怎么解读 X~Normal(μ,σ²)
[例子] 假设 X:=长度(cm) 且 X~Normal(13,0.01) ,那么大概 68%的人长度在 12.9~13.1cm;99.7%的人长度在12.7~13.3cm。也就是说长度超过13.3或是低于12.7的机率小于0.03%
[1] E[X]=μ ,可以理解成平均值。
[2] Var(X)=σ² ,这个值可以理解成测量分布的广阔度,Var(X)越大,分布就越广,我们知道的讯息就越模糊。
用上面的例子来说明,如果 X~N(13,0.01),这表示大家的长度都很接近,随便哪个人我们都可以推测他的长度在12.7~13.3之间(准确率约等于99.73%,也就是 P(12.7<X<13.3)≈0.9973。就算他不脱裤,我们也已经对他的大小有一个比较精确的预估了。
可如果Var(X)=9,那么我们最多只能猜他的长度在4~22之间了(准确率约等于99.73%)。这个就很有风险了,在没脱裤之前,他很可能惨绝人寰,但也可能天赋异禀,只是我们已经没有办法继续缩小他的长度范围了。如果硬要缩小范围,那么我们准确率就会下降了。
● Skewness= E[(X-μ)³]/σ³,可以理解为分布的对称性。
[1] 如果 lSkewnessl 值越大,就代表分布越不对称。
[2] Skewness的+-值可以理解为分布的 mean 跟 median 之间的大小关系。如果是正的,那就代表 mean > median;如果是负的,那就代表 mean < median 。
|
|