比浏览器更快的访问！
21 关系: 假設檢定，协方差，卡尔·皮尔逊，不變量，主成分分析，平均数，線性回歸，统计学，置信区间，相关，Dot product，餘弦，费雪变换，Gamma function，PDF，TeX，標準差，標準分數，正态分布，法蘭西斯·高爾頓，斯皮尔曼等级相关系数。
假設檢定
假設檢定是推論統計中用于检验统计假设的一种方法。而“统计假设”是可通过观察一组随机变量的模型进行检验的科学假说。一旦能估計未知參數，就會希望根據結果對未知的真正參數值做出適當的推論。 統計上對參數的假設，就是對一個或多個參數的論述。而其中欲檢驗其正確性的為零假設（null hypothesis），零假設通常由研究者決定，反應研究者對未知參數的看法。相對於零假設的其他有關參數之論述是（alternative hypothesis），它通常反應了執行檢定的研究者對參數可能數值的另一種（對立的）看法（換句話說，對立假設通常才是研究者最想知道的）。 假设检验的种类包括：t检验，Z检验，卡方检验，F检验等等。.
新！!: 皮尔逊积矩相关系数和假設檢定 · 查看更多 »
协方差
共變異數（Covariance）在概率論和統計學中用於衡量兩個變量的总体误差。而方差是协方差的一種特殊情況，即當兩個變量是相同的情況。 期望值分别为E(X).
新！!: 皮尔逊积矩相关系数和协方差 · 查看更多 »
卡尔·皮尔逊
卡尔·皮尔逊（Karl Pearson，），英国数学家和自由思想家。.
新！!: 皮尔逊积矩相关系数和卡尔·皮尔逊 · 查看更多 »
不變量
假若，在某種變換下，一個系統的某物理量保持不變，則稱此物理量為不變量（invariant）。例如，在伽利略變換下，時間是個不變量；在勞侖茲變換下，光速、靜質量、電荷量等等，都是不變量。這類變換表達出不同觀察者的參考系之間的關係。例如，在火車站台的查票員的參考系，與在移動中的火車內的乘客的參考系，這兩個參考系之間的關係。 假若，在某種變換下，一個系統的某物理性質保持不變，則稱此物理性質為不變性（invariance）。例如，在內積空間內，對於任意旋轉，向量的內積保持不變，稱此性質為旋轉不變性。 根據諾特定理，對於一種變換，每一種不變性代表一條基本的守恆定律。例如，對於平移變換的不變性導致動量守恆定律，對於的不變性導致能量守恆定律。 在現代理論物理裏，不變性是很重要的概念。許多理論是由對稱性與不變性表達。 在張量數學裏，協變性與反變性是不變性的數學性質的推廣。在電磁學和相對論裏，時常會應用到這些概念。.
新！!: 皮尔逊积矩相关系数和不變量 · 查看更多 »
主成分分析
在多元统计分析中，主成分分析（Principal components analysis，PCA）是一種分析、簡化數據集的技術。主成分分析经常用于减少数据集的维数，同时保持数据集中的对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面。但是，这也不是一定的，要视具体应用而定。由于主成分分析依赖所给数据，所以数据的准确性对分析结果影响很大。 主成分分析由卡爾·皮爾遜於1901年發明，用於分析數據及建立數理模型。其方法主要是通過對共變異數矩陣進行特征分解，以得出數據的主成分（即特征向量）與它們的權值（即特征值）。PCA是最簡單的以特征量分析多元統計分布的方法。其結果可以理解為對原數據中的方差做出解釋：哪一個方向上的數據值對方差的影響最大？換而言之，PCA提供了一種降低數據維度的有效辦法；如果分析者在原數據中除掉最小的特征值所對應的成分，那麼所得的低維度數據必定是最優化的（也即，這樣降低維度必定是失去訊息最少的方法）。主成分分析在分析複雜數據時尤為有用，比如人臉識別。 PCA是最简单的以特征量分析多元统计分布的方法。通常情况下，这种运算可以被看作是揭露数据的内部结构，从而更好的解释数据的变量的方法。如果一个多元数据集能够在一个高维数据空间坐标系中被显现出来，那么PCA就能够提供一幅比较低维度的图像，这幅图像即为在讯息最多的点上原对象的一个‘投影’。这样就可以利用少量的主成分使得数据的维度降低了。 PCA跟因子分析密切相关，并且已经有很多混合这两种分析的统计包。而真实要素分析则是假定底层结构，求得微小差异矩阵的特征向量。.
新！!: 皮尔逊积矩相关系数和主成分分析 · 查看更多 »
平均数
平均数（Mean，或稱平均值）是统计中的一个重要概念。为集中趋势的最常用测度值，目的是确定一组数据的均衡点。 算术平均数（或简称平均數）是一组样本 x_1, x_2, \ldots, x_n 的和除以样本的数量。其通常记作 \bar： 例如, 4, 36, 45, 50, 75 这组数的算术平均数是： 在统计中算术平均数常用于表示统计对象的一般水平，它是描述数据集中程度的一个统计量。我们既可以用它来反映一组数据的一般情况，也可以用它进行不同组数据的比较，以看出组与组之间的差别。用平均数表示一组数据的情况，有直观、简明的特点，所以在日常生活中经常用到，如平均的速度、平均的身高、平均的产量、平均的成绩......
新！!: 皮尔逊积矩相关系数和平均数 · 查看更多 »
線性回歸
在统计学中，线性回归（Linear regression）是利用称为线性回归方程的最小平方函數对一个或多个自变量和因变量之间关系进行建模的一种回归分析。这种函数是一个或多个称为回归系数的模型参数的线性组合。只有一个自变量的情况称为简单回归，大于一个自变量情况的叫做多元回归。（这反过来又应当由多个相关的因变量预测的多元线性回归区别，而不是一个单一的标量变量。） 在线性回归中，数据使用线性预测函数来建模，并且未知的模型参数也是通过数据来估计。这些模型被叫做线性模型。最常用的线性回归建模是给定X值的y的条件均值是X的仿射函数。不太一般的情况，线性回归模型可以是一个中位数或一些其他的给定X的条件下y的条件分布的分位数作为X的线性函数表示。像所有形式的回归分析一样，线性回归也把焦点放在给定X值的y的条件概率分布，而不是X和y的联合概率分布（多元分析领域）。 线性回归是回归分析中第一种经过严格研究并在实际应用中广泛使用的类型。这是因为线性依赖于其未知参数的模型比非线性依赖于其未知参数的模型更容易拟合，而且产生的估计的统计特性也更容易确定。 线性回归有很多实际用途。分为以下两大类：.
新！!: 皮尔逊积矩相关系数和線性回歸 · 查看更多 »
统计学
统计学是在資料分析的基础上，研究测定、收集、整理、归纳和分析反映數據資料，以便给出正确訊息的科學。這一门学科自17世纪中叶产生并逐步发展起来，它廣泛地應用在各門學科，從自然科学、社會科學到人文學科，甚至被用於工商業及政府的情報決策。隨著大数据(Big Data)時代來臨，統計的面貌也逐漸改變，與資訊、計算等領域密切結合，是資料科學(Data Science)中的重要主軸之一。 譬如自一組數據中，可以摘要並且描述這份數據的集中和離散情形，這個用法稱作為描述統計學。另外，觀察者以數據的形態，建立出一個用以解釋其隨機性和不確定性的數學模型，以之來推論研究中的步驟及母體，這種用法被稱做推論統計學。這兩種用法都可以被稱作為應用統計學。數理統計學则是討論背後的理論基礎的學科。.
新！!: 皮尔逊积矩相关系数和统计学 · 查看更多 »
置信区间
在统计学中，一个概率样本的置信区间（Confidence interval），是对这个样本的某个总体参数的区间估计。置信区间展现的是，这个总体参数的真实值有一定概率落在與該测量结果有關的某對應區間。置信区间给出的是，聲稱总体参数的真實值在测量值的區間所具有的可信程度，即前面所要求的“一定概率”。这个概率被称为置信水平。举例来说，如果在一次大选中某人的支持率为55%，而置信水平0.95上的置信区间是(50%,60%)，那么他的真实支持率落在50%和60%之区间的机率為95%，因此他的真实支持率不足50%的可能性小于2.5%（假设分布是对称的）。 如例子中一样，置信水平一般用百分比表示，因此置信水平0.95上的置信区间也可以表达为：95%置信区间。置信区间的两端被称为置信极限。对一个给定情形的估计来说，置信水平越高，所对应的置信区间就会越大。 对置信区间的计算通常要求对估计过程的假设（因此属于参数统计），比如说假设估计的误差是成正态分布的。 置信区间只在频率统计中使用。在中的对应概念是可信区间。但是可信区间和置信区间是建立在不同的概念基础上的，因此一般上说取值不会一样。置信空间表示通过计算估计值所在的区间。置信水平表示准确值落在这个区间的概率。置信区间表示具体值范围，置信水平是个概率值。例如：估计某件事件完成会在10~12日之间，但这个估计准确性大约只有80%：表示置信区间(10,12，置信水平80%。要想提高置信水平，就要放宽信賴區間。.
新！!: 皮尔逊积矩相关系数和置信区间 · 查看更多 »
相关
在概率论和统计学中，相关（Correlation，或称相关系数或关联系数），显示两个随机变量之间线性关系的强度和方向。在统计学中，相关的意义是用来衡量两个变量相对于其相互独立的距离。在这个广义的定义下，有许多根据数据特点而定义的用来衡量数据相关的系数。.
新！!: 皮尔逊积矩相关系数和相关 · 查看更多 »
Dot product
#重定向 点积.
新！!: 皮尔逊积矩相关系数和Dot product · 查看更多 »
餘弦
余弦是三角函数的一种。它的定义域是整个实数集，值域是。它是周期函数，其最小正周期为2π。在自变量为2nπ（n为整数）时，该函数有极大值1；在自变量为(2n+1)π时，该函数有极小值-1。余弦函数是偶函数，其图像关于y轴对称。.
新！!: 皮尔逊积矩相关系数和餘弦 · 查看更多 »
费雪变换
费雪变换（Fisher transformation）是统计学中用于相关系数假设检验的一种方法。对样本相关系数进行费雪变换后，可以用来检验关于总体相关系数ρ的假设。.
新！!: 皮尔逊积矩相关系数和费雪变换 · 查看更多 »
Gamma function
#重定向 Γ函数.
新！!: 皮尔逊积矩相关系数和Gamma function · 查看更多 »
#重定向 可移植文档格式.
新！!: 皮尔逊积矩相关系数和PDF · 查看更多 »
TeX
（/tɛx/，音译“泰赫”，文本模式下写作TeX），是一个由美国计算机教授高德纳（Donald Ervin Knuth）编写的功能强大的排版软件。它在学术界十分流行，特别是数学、物理学和计算机科学界。被普遍认为是一个优秀的排版工具，特别是在处理复杂的数学公式时。利用诸如是LaTeX等终端软件，就能够排版出精美的文本以幫助人們辨認和尋找。 的MIME类型为application/x-tex。是自由软件。.
新！!: 皮尔逊积矩相关系数和TeX · 查看更多 »
標準差
標準差（又稱标准偏差、--，，缩写SD），数学符号σ（sigma），在概率統計中最常使用作為測量一組數值的離散程度之用。標準差定義：為方差開算术平方根，反映组内个体间的离散程度；标准差与期望值之比为标准离差率。測量到分佈程度的結果，原則上具有兩種性質：.
新！!: 皮尔逊积矩相关系数和標準差 · 查看更多 »
標準分數
標準分數（Standard Score，又稱z-score，中文稱為Z-分數或标准化值）在統計學中是一種無因次值，就是一種純數字標記，是藉由從單一（原始）分數中減去母體的平均值，再依照母體（母集合）的標準差分割成不同的差距，按照z值公式，各個樣本在經過轉換後，通常在正、負五到六之間不等。.
新！!: 皮尔逊积矩相关系数和標準分數 · 查看更多 »
正态分布
常態分布（normal distribution）又名高斯分布（Gaussian distribution），是一個非常常見的連續機率分布。常態分布在统计学上十分重要，經常用在自然和社会科学來代表一個不明的隨機變量。 若隨機變量X服從一個位置參數為\mu、尺度參數為\sigma的常態分布，記為： 則其機率密度函數為 常態分布的數學期望值或期望值\mu等於位置參數，決定了分布的位置；其方差\sigma^2的開平方或標準差\sigma等於尺度參數，決定了分布的幅度。 常態分布的機率密度函數曲線呈鐘形，因此人們又經常稱之為鐘形曲線（类似于寺庙里的大钟，因此得名）。我們通常所說的標準常態分布是位置參數\mu.
新！!: 皮尔逊积矩相关系数和正态分布 · 查看更多 »
法蘭西斯·高爾頓
法蘭西斯·高爾頓爵士，FRS（Sir Francis Galton，），英格蘭維多利亞時代的博学家、人類學家、優生學家、熱帶探險家、地理學家、發明家、氣象學家、統計學家、心理學家和遺傳學家，查爾斯·達爾文的表弟。.
新！!: 皮尔逊积矩相关系数和法蘭西斯·高爾頓 · 查看更多 »
斯皮尔曼等级相关系数
在 统计学中, 以查尔斯·斯皮尔曼命名的斯皮尔曼等级相关系数， 经常用希腊字母 \rho (rho) 或者 r_s表示。 它是衡量两个变量的依赖性的 非参数 指标。 它利用单调方程评价两个统计变量的相关性。 如果数据中没有重复值， 并且当两个变量完全单调相关时，斯皮尔曼相关系数则为 +1 或 −1 。.
新！!: 皮尔逊积矩相关系数和斯皮尔曼等级相关系数 · 查看更多 »
重定向到这里：
皮尔逊积差相关系数，皮尔逊相关系数，皮爾森積差相關係數，皮爾森相關係數，皮爾遜積差相關係數，皮爾遜積矩相關係數。
