第一节 单样本均数的t检验 第二节 配对样本均数的t检验 第三节 两独立样本均数的t检验 第四节 两独立样本方差齐的齐性检验 第五节 两独立样本方差不齐时均数比较的t’检验 第六节 变量代换

1.一组样本与总体的比较 2.两组样本的比较(成组设计) 3.两组样本的比较(配对设计) 4.单因素多组样本的比较(成组设计) 5.双因素多组样本的比较(配伍组设计) 6.三因素三组及以上设计(拉丁方设计) 7.三个或以上因素并交互作用(正交设计)

16.1数据从何而来？如何善用资讯？ 16.2 样本告诉我们什么？ 16.3 好样本与坏样本 16.4怎样可取得坏样本？ 16.5有偏抽样法 16.6 简单随机样本 16.7谈谈实验

针对非平衡数据集分类中\少数类样本精度难以提高\这一瓶颈问题,提出了一种基于协同进化机制的欠采样方法.此方法将少数类样本与多数类样本划分为两类种群,采用种群协同进化原理,利用提出的动态交叉变异算子自适应协同进化过程,实现种群间自动调节和自动适应.仿真试验结果表明,此采样方法增强了局部随机搜索能力,改善了种群的分布特性,加强了算法的全局收敛能力,在不降低多数类样本分类性能的基础上有效提高了少数类样本的精度.与其他经典重采样方法相比,本文办法抗噪能力好,具有更强的鲁棒性

为提高无法准确建立数学模型的非线性约束单目标系统优化问题的寻优精度,并考虑获取样本的代价,提出一种基于支持向量机和免疫粒子群算法的组合方法(support vector machine and immune particle swarm optimization,SVM-IPSO).首先,运用支持向量机构建非线性约束单目标系统预测模型,然后,采用引入了免疫系统自我调节机制的免疫粒子群算法在预测模型的基础上对系统寻优.与基于BP神经网络和粒子群算法的组合方法(BP and particle swarm optimization,BP-PSO)进行仿真实验对比,同时,通过减少训练样本,研究了在训练样本较少情况下两种方法的寻优效果.实验结果表明,在相同样本数量条件下,SVM-IPSO方法具有更高的优化能力,并且当样本数量减少时,相比BP-PSO方法,SVM-IPSO方法仍能获得更稳定且更准确的系统寻优值.因此,SVM-IPSO方法为实际中此类问题提供了一个新的更优的解决途径

为了提高非平衡数据集的分类精度，提出了一种基于样本空间近邻关系的重采样算法。该方法首先根据数据集中少数类样本的空间近邻关系进行安全级别评估，根据安全级别有指导的采用合成少数类过采样技术（Synthetic minority oversampling technique，SMOTE）进行升采样；然后对多数类样本依据其空间近邻关系计算局部密度，从而对多数类样本密集区域进行降采样处理。通过以上两种手段可以均衡测试数据集，并控制数据规模防止过拟合，实现对两类样本分类的均衡化。采用十折交叉验证的方式产生训练集和测试集，在对训练集重采样之后，以核超限学习机作为分类器进行训练，并在测试集上进行验证。在UCI非平衡数据集和电路故障诊断实测数据上的实验结果表明，所提方法在整体上优于其他重采样算法

注意力缺陷多动障碍（ADHD）是儿童期最常见的精神疾病之一，在大多数情况下持续到成年期。近年来，基于功能磁共振数据的ADHD分类成为了研究热点。文献中已有的大多数分类算法均假设样本是均衡的，然而事实上，ADHD数据集通常是不平衡的。传统的学习算法会使得分类器倾向于多数类样本，从而导致性能下降。本文研究了基于不平衡神经影像数据的ADHD分类问题，即基于静息状态功能磁共振数据对ADHD进行分类。采用功能连接矩阵作为分类特征，提出了一种基于多目标支持向量机的ADHD数据分类方案。该方案将不均衡数据分类问题建模为具有三个目标的支持向量机模型，其中三个目标分别为最大化分类间隔、最小化正样本误差和最小化负样本误差，进而正负样本经验误差可以被分开处理。然后采用多目标优化的法向量边界交叉法对模型进行求解，并给出一组代表性的分类器供决策者进行选择。该方案在ADHD-200竞赛的五个数据集上进行测试评估，并与传统分类方法进行对比。实验结果表明本文提出的三个目标支持向量机分类方案比传统的分类方法效果好，可以有效的从算法层面解决数据不平衡问题。该方案不仅可用于辅助ADHD诊断，还可用于阿尔茨海默病和自闭症等疾病的辅助诊断

第一节 两总体大样本假设检验 第二节 两总体小样本假设检验 第三节 配对样本的假设检验 第四节 双样本区间估计

统计学的目的不只是为了研究样本,而是要通过样本 的结果来推断其所属总体的特征。即统计推断问题。所谓 统计推断就是根据抽样分布律和概率理论,由样本结果 (统计数)对总体特征(参数)进行推论。试验研究所获 得的资料,通常是从样本得到的结果,而我们的目的是希 望知道样本所属总体的情况

2.1 为什么需要大样本理论 2.2 随机序列的收敛 2.3 大数定律与中心极限定理 2.4 统计量的大样本性质 2.5 随机过程的性质 2.6 大样本OLS的假定及估计量的性质 2.7 大样本OLS的stata实例