最优化理论-统计学4

目录：

1. 偏态（Skewness）
   • 定义
   • 分类与性质
   • 公式与解析
   • 示例
   • 偏态分析
2. 峰态（Kurtosis）
   • 定义
   • 分类与性质
   • 公式与解析
   • 示例
   • 峰态分析
3. 偏态与峰态综合分析
   • 定义与关系
   • 公式与示例
4. 顺序统计量（Order Statistics）
   • 定义
   • 分布函数
   • 推导过程
   • 示例
5. 经验分布函数（Empirical Distribution Function, EDF）
   • 定义
   • 公式
   • 特性与应用
6. 顺序统计量的经验分布函数
   • 定义
   • 表达式与推导
   • 重复值的影响
7. 顺序统计量和经验分布函数在去除噪声中的应用
   • 顺序统计量去噪方法
   • 实际应用

1. 偏态（Skewness）

定义：

偏态（Skewness）是用于衡量分布的不对称性的一种统计量。它描述了分布相对于均值的不对称性，特别是分布的尾部形状。偏态反映了分布的偏斜方向，告诉我们数据集中于均值两侧时，哪一侧的数据更加倾向于“拉长”。

分类与性质：

1. 正偏态（右偏态）：

   • 定义：正偏态表示分布的右尾较长，即数据的高值较为稀疏，但远离均值，极端值拉长了分布的右侧。
   • 特性：正偏态中，均值大于中位数，中位数大于众数。数据的大部分集中在分布的左侧。
   • 示例：如收入分布，大多数人收入集中在较低范围，而少数高收入者会拉长右尾。

   正偏态分布图：

   |    /
   |   /
   |  /
   | /
   |/
   ----------------------
      ^
      中心向左

2. 负偏态（左偏态）：

   • 定义：负偏态表示分布的左尾较长，即数据的低值较为稀疏，极端值拉长了分布的左侧。
   • 特性：负偏态中，均值小于中位数，中位数小于众数。数据的大部分集中在分布的右侧。
   • 示例：如考试成绩，大部分学生得到较高分数，而少数低分学生拉长左尾。

   负偏态分布图：

   |\
   | \
   |  \
   |   \
   |    \
   ----------------------
        ^
      中心向右

3. 对称分布（无偏态）：

   • 定义：对称分布没有偏态，数据分布在均值两侧对称，左尾和右尾长度相同。
   • 示例：正态分布就是一个无偏态的典型例子。

   对称分布图：

     /\
    /  \
   /    \
  /      \
 -------------------
   对称分布

公式与解析：

偏态系数的公式如下：

[
\text{Skewness} = \frac{E[(X - \mu)^3]}{\sigma3}
]

其中：

• (E[(X - \mu)^3]) 是数据与均值的三次偏差的期望，用于度量分布的偏斜方向。
• (\sigma) 是数据的标准差，标准化数据集的偏差，使得不同尺度的数据可比。

解释：

• 偏态系数 (> 0)：表示正偏态（右偏态），右尾较长。
• 偏态系数 (< 0)：表示负偏态（左偏态），左尾较长。
• 偏态系数 (= 0)：表示分布对称，没有偏态。

示例：

假设有一组数据 (X = [2, 5, 6, 8, 10, 15, 100])，我们可以通过计算偏态系数来判断数据的偏斜情况。由于100这个值远离数据的其余部分，拉长了分布的右尾，偏态系数将会大于 0，表示正偏态。

计算代码示例（Python）：

import numpy as np
from scipy.stats import skew

data = [2, 5