可汗学院公开课: 统计学_1 统计学基本知识、二项及泊松分布

这篇博客介绍了统计学的基本概念,包括集中趋势、样本和总体、方差与标准差。重点讲解了二项分布和泊松分布,详细阐述了伯努利试验的特征,二项分布的期望值以及泊松分布的推导和适用场景,适合初学者理解统计学中的概率分布。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >


一切围绕数据进行,

  • 描述性统计学
  • 推理统计学

1.集中趋势

2.样本和总体

  • 样本:随机选一部分
    • 样本均值 : x bar
  • 总体
    • 总体均值:μ

3.总体方差

  • 离中趋势衡量 dispersion4.样本方差

5.标准差

6.诸方差公式

7.随机变量介绍

8.概率密度函数

9.二项分布

  • 二项分布
    伯努利试验,也就是n次独立重复试验。
    伯努利试验特点:
    每次试验中事件只有两种结果。
    每次试验中事件发生的概率相同。
    n次试验的事件相互之间独立。​
  • 二项分布的期望
    在这里插入图片描述

10.期望值而E(X)

11.二项分布的期望值

12.泊松分布

  • 泊松分布
    泊松分布由二项分布推导而来。
    泊松过程:把单位时间分为无限份,每一份的概率为
    ,随机变量X符合二项分布,可由二项分布公式推导出泊松分布公式。
    泊松分布适用于描述单位时间内随机事件发生的次数。​
  • 大数定律
    泊松分布适用于描述单位时间内随机事件发生的次数。
  • 正态分布
  • 在这里插入图片描述
分数阶傅里叶变换(Fractional Fourier Transform, FRFT)是对传统傅里叶变换的拓展,它通过非整数阶的变换方式,能够更有效地处理非线性信号以及涉及时频局部化的问题。在信号处理领域,FRFT尤其适用于分析非平稳信号,例如在雷达、声纳和通信系统中,对线性调频(Linear Frequency Modulation, LFM)信号的分析具有显著优势。LFM信号是一种频率随时间线性变化的信号,因其具有宽频带和良好的时频分辨率,被广泛应用于雷达和通信系统。FRFT能够更精准地捕捉LFM信号的时间和频率信息,相比普通傅里叶变换,其性能更为出色。 MATLAB是一种强大的数值计算和科学计算工具,拥有丰富的函数库和用户友好的界面。在MATLAB中实现FRFT,通常需要编写自定义函数或利用信号处理工具箱中的相关函数。例如,一个名为“frft”的文件可能是用于执行分数阶傅里叶变换的MATLAB脚本或函数,并展示其在信号处理中的应用。FRFT的正确性验证通常通过对比变换前后信号的特性来完成,比如评估信号的重构质量、信噪比等。具体而言,可以通过计算原始信号与经过FRFT处理后的信号之间的相似度,或者对比LFM信号的关键参数(如初始频率、扫频率和持续时间)是否在变换后得到准确恢复。 在MATLAB代码实现中,通常包含以下步骤:首先,生成LFM信号模型,设定其初始频率、扫频率、持续时间和采样率等参数;其次,利用自定义的frft函数对LFM信号进行分数阶傅里叶变换;接着,使用MATLAB的可视化工具(如plot或imagesc)展示原始信号的时域和频域表示,以及FRFT后的结果,以便直观对比;最后,通过计算均方误差、峰值信噪比等指标来评估FRFT的性能。深入理解FRFT的数学原理并结合MATLAB编程技巧,可以实现对LFM信号的有效分析和处理。这个代码示例不仅展示了理论知识在
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值