查看“数理统计”的源代码

==基础知识==
;贝叶斯和频率论解释的差异: [http://en.wikipedia.org/wiki/Lindley%27s_paradox Lindley's paradox  ]

;两组数据混合之后的均值和弥散

数组 A (i=1,N1), 其均值为 M1，弥散为 S1
数组 B(i=1,N2),其均值为M2,弥散为S2

现将A，B混合组成数组C，求其均值M3和弥散S3

M3=(N1*M1+N2*M2)/(N1+N2)

(N1+N2)*S3^2=N1*S1^2+N2*S2^2+(N1^2+N2^2)/(N1+N2)^2*(M1-M2)^2

===误差====
*中位值的误差 1.253*sigma/sqrt(N),比平均值误差大 (假设高斯分布）
*标准偏差的误差，0.71**sigma/sqrt(N) （假设高斯分布）

==极值统计==
极值统计在天文中有较多应用：如观测到的高红移星系团，大的void的是否符合halo mass function的预言？ BCG的光度是否符合光度函数的极值分布？
*arxiv:1108.1358 给出了halo mass function的极值分布函数的近似，表明要用极值来区分非高斯性是有困难的。
*arxiv:1108.5458 ： 在拿观测和理论模型进行比较的时候，可以在两个极端之间 ，1观测样本是极限情况（least probable），2，随机情况。
*在讨论观测样本的可能数目（比如一定体积限内大于多少质量的星系团的个数）之外，还可以进一步比较观测量（比如）的分布情况。
              
*极值统计的两种近似(arXiv: 1201.3526)
:*GEV (general extreme value): Gnedenko approach 比如一个空间内最大质量星系团不超过某个极值的概率
:*The Pareto approach 这是一个条件概率，比如是在大于某个极限的星系团中，超过这个极限某个数值的概率。
:*这两个概率在极限情况下，就是比如星系团的极值都设得特别大的情况下都是1. 但是在非极限情况下不一致，条件概率比GEV更小一点。