精华内容
下载资源
问答
  • 学的有些模糊了,回过头来突然想不起“概率”到底是什么定义,也不知道“分布”的含义,还有,概率统计到底在干一件什么事情? 跳出细枝末节,宏观的来看,其实,本质上不也就是在玩“数据”么: 数据——随机变量;...
  • 随机变量X的函数 服从什么分布

    千次阅读 2019-04-19 15:18:38
    这篇博客主要回答以下几个问题: 随机变量X的函数服从什么分布? ---i.e. 怎么求该函数的概率密度函数 ...对于离散型随机变量,可用分布列来表示它的分布,连续型随机变量,则概率密度函数来描述它的分布。所以...

    这篇博客主要回答以下几个问题:

    • 随机变量X的函数服从什么分布? ---i.e. 怎么求该函数的概率密度函数
    • 它们的反函数又服从什么分布?
    • 之前学的各种连续分布之间又有什么关系?

    目录

    各种分布之间的关系

    离散分布

    连续分布 

    连续随机变量函数的分布

    分布函数的反函数

    习题讲解


     对于离散型随机变量,可用分布列来表示它的分布,连续型随机变量,则是用概率密度函数来描述它的分布。所以对于任何一个随机变量,求出它的概率密度函数/分布列就相当于能知道它服从什么分布。

    各种分布之间的关系

    先来回顾一部分知识

    离散分布

    回顾: 常用离散分布

    • n\rightarrow +\infty 时,二项分布可以用泊松分布来近似 【泊松定理】
    • n< < N【n 远远小于N】,   超几何分布 h\left ( n,N,M \right ) 可用二项分布b\left ( n, \frac{M}{N} \right )  近似
    • r=1时的负二项分布  为几何分布,即 Nb\left ( 1,p \right ) =Ge\left ( p \right )

     指数分布与几何分布都有“无记忆性”

    连续分布 

    回顾 :常用连续分布

    • 若X服从伽马分布 Ga\left ( \alpha ,\lambda \right ) ,则当k> 0 时,有 Y=kX\sim Ga\left ( \alpha ,\lambda /k \right )
    • 伽马分布与指数分布:Ga\left ( 1,\lambda \right )=Exp\left ( \lambda \right )

                   若X\sim Ga\left ( k,\lambda \right ) ,则X= X_{1}+X_{2}+\cdots +X_{k} ,其中 X_{i}\sim Exp\left ( \lambda \right ),\: i=1,2,...,k 【独立同分布】;

                  若形状参数为整数k,则伽马变量可以表示成k个独立同分布的指数变量之和

    • 伽马分布与卡方分布:

     \alpha =\frac{n}{2};\: \lambda =\frac{1}{2} 的伽马分布 就是 自由度为n的卡方分布 ,即Ga\left ( \frac{n}{2} ,\frac{1}{2}\right )=\chi ^{2}(n)

    • 正态分布与卡方分布:

    X_{1}, X_{2},...,X_{n}\: \: \textup{i.i.d}\sim N\left ( 0,1 \right ) ,则X= \sum_{i=1}^{n}X_{i}\sim \chi ^{2}\left ( n \right )

    • 贝塔分布与均匀分布: Be\left ( 1,1 \right )=U\left ( 0,1 \right )

                  当 a=b=1 时的贝塔分布就是区间(0,1)上的均匀分布。

    • 对数正态分布Ln\left ( \mu ,\sigma ^{2} \right )   与正态分布N\left ( \mu ,\sigma ^{2} \right ) 的关系:若 X\sim Ln\left ( \mu ,\sigma ^{2} \right ) ,则 Y=\textup{Ln} \left (X \right )\sim N\left ( \mu ,\sigma ^{2} \right ) 。
    •  正态分布的性质:正态变量的线性变换仍为正态变量,即

    若 X \sim N\left ( \mu ,\sigma ^{2} \right ) ,则当 a\not\equiv 0 时,有 Y= aX+b\sim N\left ( a\mu +b\: ,\: a^{2}\sigma^{2} \right ) .

    连续随机变量函数的分布

    设连续随机变量X的密度函数 p_{X}\left ( x\right ),\: Y=g\left ( X \right ).

      ( 1 )   若 y=g\left ( x \right ) 严格单调,其反函数 h\left ( y \right ) 有连续导函数,则 Y=g\left ( X \right ) 的密度函数为

     p_{_{Y}} \left ( y \right ) = \begin{Bmatrix} p_{_{X}} \left [ h\left ( y \right ) \right ] \left | \: h{}'\left ( y \right ) \: \right | ,\: a< y< b \\ 0,\: otherwise \end{matrix}

    其中 a= \textup{min} \: \left \{\, g\left ( -\infty \right ),g\left ( +\infty \right ) \right \} , \: b = \textup{max} \, \left \{ g\left ( -\infty \right ),g\left ( +\infty \right ) \right \} 

       ( 2 )   若 y=g\left ( x \right )  在不相重叠的区间 I_{1}\, ,I_{2}\,,\cdots上逐段严格单调,其反函数 h_{1}\left ( y \right ),\, h_{2}\left ( y \right ),\, \cdots 有连续导函数,则 Y=g\left ( X \right ) 的密度函数为  p_{_{Y}}= \sum_{i}p_{X}\left ( h_{i}\left ( y \right ) \right )\left | h{}'_{i} \left ( y \right )\right |  ..

    分布函数的反函数

    若X的分布函数 F_{X}\left ( x \right ) 为严格单调增的连续函数,其反函数 F_{X}^{-1}\left ( y \right ) 存在,则 Y=F_{X}\left ( X \right ) 服从(0,1)上的均匀分布U\left ( 0,1 \right )  .

     

    习题讲解

     

     

     

     

     

     

     

     

    展开全文
  • 【期望】几何分布的期望

    千次阅读 2017-07-28 17:06:36
    先给出一个几何分布的分布列: 其中, x表示第x次抽中 p表示第中的概率 对于每一次抽奖:中奖概率p为3/4,不中奖概率(1-p)为1/4; 1.什么是几何分布 简言之,几何分布就是前n次都没有抽中,第n+1次抽中的概率; ...

    先给出一个几何分布的分布列


    其中,

    x表示第x次抽中

    p表示第中的概率

    对于每一次抽奖:中奖概率p为3/4,不中奖概率(1-p)为1/4;


    1.什么是几何分布

    简言之,几何分布就是前n次都没有抽中,第n+1次抽中的概率;

    2.几何分布的期望

    假设,对于每一次抽奖,抽中的概率为p,未抽中的概率为(1-p);

    则期望为1/p;

    一维离散性概率分布的期望计算公式为:

    所以用计算公式所得结果与1/p相比较,更加直观,当然1/p是根据推导公式得来的;

    3.代码

    #include<cstdio>
    #include<cstring>
    #include<algorithm>
    #include<cmath>
    using namespace std;
    
    int main()
    {
        //验证几何分布的期望
        int n;
        double a=3.0/4,b=1.0/4;
        scanf("%d",&n);
        for(int x=1;x<=n;x++)
        {
            double ans=0;
            for(int i=1; i<=x; i++)
            {
                double res1=pow(b,i-1)*a;
                double res2=(double)i*res1;
                ans+=res2;
            }
            printf("%.15lf\n",ans);
        }
        printf("*************\n");
        printf("%.15f\n",1/a);
        return 0;
    }
    4.




    展开全文
  • matlab三角分布代码这是什么? 这是的Python3接口,是用于计算Vietoris-Rips持久性条形码的快速软件。 除非您已经安装了该代码,否则几乎是一文不值。 为什么要这样? 据我所知,Ripser不是多线程的。 对于我正在...
  • 备注:下面均个人拙见,仅供参考。 一、指数分布族 在统计应用中,有两大重要的参数族:指数分布族(exponential families),亦称指数型分布族;...假设有一观测样本:{xi,yi}i=1n\{x_i,y_i\}_{i=1}^n{xi​,...

    备注:脑子昏迷状态书写,错误请指正。

    一、指数分布族

    在统计应用中,有两大重要的参数族:指数分布族(exponential families),亦称指数型分布族;位置尺寸分布族(location-scale families)。
    针对指数族分布,响应变量YY的描述可不再局限于正态分布。

    • 概率密度函数定义
      假设有一列观测样本:{xi,yi}i=1n\{x_i,y_i\}_{i=1}^n
      f(yixi;β,ϕ)=exp{yiηib(ηi)ϕ+c(yi,ϕ)}f(yiηi,ϕ)f(y_i|x_i; \beta,\phi) = exp\{\frac{y_i\eta_i-b(\eta_i)}{\phi} + c(y_i, \phi)\}\triangleq f(y_i|\eta_i,\phi)
      其中,ηi\eta_i为自然参数(Natural Parameter);ϕ\phi为尺度参数.
      备注1:在canonical情形下,ηi=βTxi\eta_i=\beta^Tx_i
      备注2:
      ** ηi=(gμ)(ηi)=(gμ)(βTxi)=βTxi\eta_i=(g\circ\mu)(\eta_i)=(g\circ\mu)(\beta^Tx_i)=\beta^Tx_i;
      ** μ\mu为激活函数「E.G. LR中的Sigmoid函数」;gg成为Link Function「LR中的Logit函数/Probit函数」, 其中:g与μ\mu互为逆函数: g=μ1g=\mu^{-1},
      ** 实则这里的μ(ηi)=E(yixi)\mu(\eta_i)=E(y_i|x_i) , 后续案例中可自行校验.
      ** 这里Link Function作用是对Y的期望做变换,使变换后的结果与x成线性关系:g(E[yixi])=βTxig(E[y_i|x_i])=\beta^Tx_i
      ** 激活函数的作用是将预测结果映射到因变量所在的取值范围内

      备注3:b(η)b'(\eta)为配分函数
      备注4:上述公式是关于随机变量Y的概率密度函数,此处样本yiy_i可以来自于为:伯努利分布、二项分布、高斯分布、泊松分布等
      备注5:上述这种概率密度定义是简化的形式,更一般的描述为:p(Yη)=h(Y)exp{ηTϕ(Y)A(η)}p(Y|\eta)=h(Y)exp\{\eta^T*\phi(Y)-A(\eta)\},其中ϕ(Y)\phi(Y)为充分统计量,A(η)A(\eta)为配分函数且与随机变量YY无关

    • 指数族的均值和方差
      ηiE[logf(yiηi,ϕ)]=E[ηilogf(yiηi,ϕ)]=1f(yiηi,ϕ)f(yiηi,ϕ)ηif(yiηi,ϕ)dyi=0=E[yib(ηi)ϕ] \begin{aligned} \frac{\partial}{\partial \eta_i} E[logf(y_i|\eta_i,\phi)] =& E[\frac{\partial}{\partial \eta_i}logf(y_i|\eta_i,\phi) ]\\ =& \int\frac{1}{f(y_i|\eta_i,\phi)}*\frac{\partial f(y_i|\eta_i,\phi)}{\partial \eta_i}*f(y_i|\eta_i,\phi)dy_i\\ =& 0\\ =& E[\frac{y_i-b'(\eta_i)}{\phi}] \end{aligned}
      可得随机变量YY的期望:E(Y)=b(ηi)E(Y)=b'(\eta_i)

    借助上一篇“Fisher信息量与Cramer-Rao不等式”博文中有提到:
    E[2ln(f(x:θ)θ2]=-E{(lnf(x;θ)θ)2}E[\frac{\partial^2 ln(f(x:\theta)}{\partial \theta^2}] = \textbf{-}E\{(\frac{\partial lnf(x;\theta)}{ \partial\theta})^2\}
    E[yib(ηi)ϕ]2=E[ηilogf(yiηi,ϕ)]2=E[2ηi2log(yiηi,ϕ)]=E[b(ηi)ϕ] \begin{aligned} E[\frac{y_i-b'(\eta_i)}{\phi} ]^2 =& E[\frac{\partial}{\partial \eta_i}logf(y_i|\eta_i,\phi)]^2\\ =& -E[\frac{\partial^2}{\partial \eta_i^2}log(y_i|\eta_i,\phi)]\\ =& E[\frac{b''(\eta_i)}{\phi}] \end{aligned}
    可得:Var(Y)=E[Yb(ηi)]2=ϕb(ηi)Var(Y)=E[Y-b'(\eta_i)]^2=\phi*b''(\eta_i)

    二、指数分布族案例

    (1)伯努利分布[Bernoulli Distribution] ~ B(1,p)B(1, p)
    已知:伯努利分布YYE(Y)=pE(Y)=p, Var(Y)=p(1p)Var(Y)=p(1-p).
    piyi(1pi)1yi=exp{yilog(pi)+(1yi)log(1pi)}=exp{yilog(pi1pi)[log(1pi)]} \begin{aligned} p_{i}^{y_i}*(1-p_i)^{1-y_i} =& exp\{y_i*log(p_i) + (1-y_i)*log(1-p_i)\}\\ =& exp\{y_i*log(\frac{p_i}{1-p_i}) - [-log(1-p_i)]\} \end{aligned}
    可得:
    ϕ=1\phi=1
    ηi=log(pi1pi)\eta_i=log(\frac{p_i}{1-p_i}) => pi=eηi1+eηi=11+eηi=11+eβTxip_i=\frac{e^{\eta_i}}{1+e^{\eta_i}}=\frac{1}{1+e^{-\eta_i}}=\frac{1}{1+e^{-\beta^{T}x_i}}
    b(ηi)=log(1pi)=log(1+eηi)b(\eta_i)=-log(1-p_i)=log(1+e^{\eta_i})

    下面我们验证指数分布族中b(η)b(\eta)与分布期望、方差的关系:
    b(ηi)=eηi1+eηi=pi=E[Y]b'(\eta_i)=\frac{e^{\eta_i}}{1+e^{\eta_i}}=p_i=E[Y]
    b(ηi)ϕ=b(ηi)=eηi(1+eηi)2=pi(1pi)=Var(Y)b''(\eta_i)*\phi=b''(\eta_i)=\frac{e^{\eta_i}}{(1+e^{\eta_i})^2}=p_i*(1-p_i)=Var(Y)
    注1:上述式子中,link function: g=log(t1t)g=log(\frac{t}{1-t})称为Logit函数; 激活函数μ=11+eη\mu=\frac{1}{1+e^{-\eta}}称为Sigmiod函数
    注2:因为伯努利分布中,因变量取值为{0,1}, 所需预测内容为取得{0,1}值的概率[0,1]\in[0,1],借助上述Sigmoid函数,将(,+)[0,1](-\infty,+\infty)\rightarrow[0,1]
    注3:将(,+)[0,1](-\infty,+\infty)\rightarrow[0,1]除了采取Sigmoid激活函数,还可以采用正态分布的累积分布函数Φ(x)[0,1]\Phi(x)\in[0,1]作为激活,此时Link Function称为Probit函数,记作:Φ1(t)\Phi^{-1}(t)

    (2)二项分布[Binomial Distribution]~B(n,p)B(n, p)
    已知:二项分布YYE(Y)=npE(Y)=np, Var(Y)=np(1p)Var(Y)=np(1-p).
    Cnyipiyi(1pi)nyi=exp{yilog(pi1pi)+nlog(1pi)+logCnyi}=exp{yilog(pi1pi)[log(1pi)]} \begin{aligned} C_n^{y_i} p_{i}^{y_i} * (1-p_i)^{n-y_i} =& exp\{y_i*log(\frac{p_i}{1-p_i}) + nlog(1-p_i) + logC_n^{y_i}\}\\ =& exp\{y_i*log(\frac{p_i}{1-p_i}) - [-log(1-p_i)]\} \end{aligned}
    对上式随机变量yiy_i~B(n,pi)B(n,p_i),做如下变换:yi/n,s.t.yi=0,1/n,2/m=n,,1y_i/n, s.t. y_i=0,1/n,2/m=n,\cdots,1
    Cnyipiyi(1pi)nyi=exp{nyilog(pi1pi)+nlog(1pi)+logCnnyi}=exp{yilog(pi1pi)(log(1pi))1n+logCnnyi} \begin{aligned} C_n^{y_i} p_{i}^{y_i} * (1-p_i)^{n-y_i} =& exp\{ny_i*log(\frac{p_i}{1-p_i}) + nlog(1-p_i) + logC_n^{ny_i}\}\\ =& exp\{\frac{y_i*log(\frac{p_i}{1-p_i}) - (-log(1-p_i))}{\frac{1}{n}}+ logC_n^{ny_i}\} \end{aligned}
    可得:
    ϕ=1n\phi=\frac{1}{n}
    ηi=log(pi1pi)\eta_i=log(\frac{p_i}{1-p_i}) => pi=eηi1+eηi=11+eηip_i=\frac{e^{\eta_i}}{1+e^{\eta_i}}=\frac{1}{1+e^{-\eta_i}}

    b(ηi)=log(1pi)=log(1+eηi)b(\eta_i)=-log(1-p_i)=log(1+e^{\eta_i}) =>
    b(ηi)=eηi1+eηi=pib'(\eta_i)=\frac{e^{\eta_i}}{1+e^{\eta_i}}=p_i=>E[B(n,pi)/n]=piE[B(n,p_i)/n]=p_i
    =>E[B(n,pi)]=npiE[B(n,p_i)]=np_i
    b(ηi)ϕ=b(ηi)/n=eηin(1+eηi)2=pi(1pi)/nb''(\eta_i)*\phi=b''(\eta_i)/n=\frac{e^{\eta_i}}{n(1+e^{\eta_i})^2}=p_i*(1-p_i)/n
    =>Var(B(n,pi))=npi(1pi)Var(B(n,p_i))=np_i(1-p_i)
    注意:上述式子中,link function: g=log(t1t)g=log(\frac{t}{1-t}), 激活函数μ=11+eη\mu=\frac{1}{1+e^{-\eta}}

    (3)正态分布[Normal Distribution]~N(μ,σ)N(\mu, \sigma)
    已知:正态分布YYE(Y)=μE(Y)=\mu, Var(Y)=σ2Var(Y)=\sigma^2.
    12πσexp{(yu)22σ2}=exp{yμμ22σ2y22σ212log(2πσ2)} \begin{aligned} \frac{1}{\sqrt{2\pi}\sigma}*exp\{-\frac{(y-u)^2}{2\sigma^2}\} =& exp\{\frac{y*\mu-\frac{\mu^2}{2}}{\sigma^2} - \frac{y^2}{2*\sigma^2} - \frac{1}{2}log(2\pi\sigma^2)\} \end{aligned}
    可得:
    ϕ=σ2\phi=\sigma^2
    η=μ\eta=\mu

    b(η)=μ22b(\eta)=\frac{\mu^2}{2} =>
    b(η)=μb'(\eta)=\mu => E[y]=μE[y]=\mu
    b(η)ϕ=σ2b''(\eta)*\phi=\sigma^2 => Var(y)=σ2Var(y)=\sigma^2
    注意:上述式子中, ηi=μ(ηi)=g(ηi)\eta_i=\mu(\eta_i)=g(\eta_i), μ\mugg为恒等连接映射

    (4)泊松分布[Possion Distribution]~P(θ)P(\theta)
    已知:正态分布YYE(Y)=θE(Y)=\theta, Var(Y)=θVar(Y)=\theta.
    θyeθy!=exp{ylog(θ)θlog(y!)} \begin{aligned} \frac{\theta^y*e^{-\theta}}{y!} =& exp\{ylog(\theta)- \theta - log(y!)\} \end{aligned}
    可得:
    ϕ=1\phi=1
    η=log(θ)\eta=log(\theta) => θ=eη\theta=e^\eta

    b(η)=θ=eηb(\eta)=\theta=e^\eta =>
    b(η)=eη=θb'(\eta)=e^\eta=\theta => E[y]=θE[y]=\theta
    b(ηi)ϕ=eη=θb''(\eta_i)*\phi=e^\eta=\theta => Var(y)=θVar(y)=\theta
    注意:上述式子中,link function: g=log(t)g=log(t), 激活函数μ=eη\mu=e^\eta

    展开全文
  • 偏导数方向导数梯度(Gradient)凸函数与凹函数概率论概率统计基础知识常见统计变量常见概率分布重要概率公式 线性代数 什么是线性代数? 矩阵(Matrix)一个按照长方阵列排列的复数或复试集合。 其他太简单的我...

    线性代数

    什么是线性代数?

    • 矩阵(Matrix)是一个按照长方阵列排列的复数或复试集合。
    • 其他太简单的我就不发了。

    矩阵

    特殊矩阵

    • 当矩阵的行数和列数相等时,则称为 方阵
    • 矩阵的元素全部为0,则称为 零矩阵(O)
    • 对于方阵,如果主对角线元素全为1,而其余位置元素全为0,则称为 单位矩阵,一般用I或者E表示
    • 对于方阵,不在对角线上的元素都为0,称为 对角矩阵

    矩阵中的概念

    • 行向量、列向量、主对角线(方阵)

    矩阵的运算

    • 矩阵的加法
      • 把矩阵的对应位元素相加
      • 矩阵的形状必须一致,且必须是同型矩阵
    • 矩阵的乘法
      • 数与矩阵相乘:数值与矩阵的每一元素相乘
      • 矩阵与矩阵相乘:左矩阵的每一行与右矩阵的每一列,对应每一个元素相乘。
    • 矩阵的运算法则
      在这里插入图片描述

    矩阵的转置

    • 把矩阵的行换成相同序数的列,得到一个新的矩阵,称之为 转置矩阵

    矩阵的逆

    • 对于n阶方阵A,如果有一个n阶方阵B,使得AB=BA=E,则称矩阵A是可逆的,即B称之为A的逆矩阵

    高数

    微积分的基本知识

    什么是导数?

    • 导数反映的是函数y=f(x)在某一点处沿x轴正方向变化率
    • 在x轴上某一点处,若f’(x)>0,则说明f(x)的函数值在x点沿x轴正方向是趋于增加的;若f’(x)<0,则说明f(x)的函数值在x点沿x轴正方向是趋于减少的。
      在这里插入图片描述

    偏导数

    • 导数与偏导数本质是一致的,都是当自变量的变化量趋于0时,函数值的变化量与自变量变化量比值的极限。
    • 偏导数也就是函数在某一点上沿某个坐标轴正方向的变化率
    • 导数指的是一元函数中,函数y=f(x)在某一点处沿x轴正方向的变化率;而偏导数,指的是多元函数中,函数y=f(x1,x2,…,xn)在某一点处沿某一坐标轴(x1,x2,…,xn)正方向的变化率。
    • 导数指的是一元函数中,函数y=f(x)在某一点处沿x轴正方向的变化率;而偏导数,指的是多元函数中,函数y=f(x1,x2,…,xn)在某一点处沿某一坐标轴(x1,x2,…,xn)正方向的变化率。
      在这里插入图片描述

    方向导数

    • 函数某一点在某一趋近方向(向量方向)上的导数值
    • 方向导数就是函数在除坐标轴正方向外,其他特定方向上的变化率
      在这里插入图片描述

    梯度(Gradient)

    • 定义:函数在某一点的梯度是这样一个向量,它的方向与取得最大方向导数的方向一致,而它的为方向导数的最大值
    • 梯度是一个向量,即有方向、有大小
    • 梯度的方向的最大方向导数的方向;梯度的值是最大方向导数的值

    凸函数与凹函数

    在这里插入图片描述

    概率论

    概率统计基础知识

    常见统计变量

    在这里插入图片描述

    常见概率分布

    在这里插入图片描述

    重要概率公式

    在这里插入图片描述




      关注「一个热爱学习的计算机小白」公众号 ,对作者的小小鼓励,后续更多资源敬请关注。
    展开全文
  • 虽说这个函数命名binary_classifier_accuracy,但是实际上并不会和multi_classifier有什么影响。...首先就是theta’*x也就是每一就是一个概率分布,表示第几类。由于matlab是列为主,所以通过
  • RogueTraderUtilities-源码

    2021-05-19 02:00:15
    概率分布非常骇人 我出了可能的结果 然后一个分配列表,每个结果应该多久发送一次 然后我从分发列表中随机选择,然后给我结果列表的索引 分发列表很好,因为我不必每次都想更改列表时都担心更改所有%概率 相反...
  • 主题模型Topic Model

    2019-09-13 09:49:16
    主题一个概念,一个方面,表现为一些相关的词语,即主题就是词汇表上词语的条件概率分布,与主题关系密切的词语,它的条件概率越大,反之则越小。 2、主题模型的工作原理? 主题模型从生成模型的角度来...
  • 语音识别-GMM算法原理

    千次阅读 2018-04-22 17:34:35
    废话就不多说了,估计大家都知道高斯混合模型什么东西,下面直接出单高斯模型和高斯混合模型的攻势以及示意图:单高斯模型分布高斯分布概率密度函数混合高斯模型图(两个component)混合高斯分布概率密度函数...
  • 前段时间审稿人给我文章的审稿意见中有要求对实验结果做假设性检验,我做了一番学习,网上这方面资料也比较少,记录如下。...Wilcoxon秩和检验一种常见的用于判断两个分布列是否有显著区别的非参数检验方...
  • 数学期望:均值,消除随机...则每一场赌博得到的钱是 a*p + q*(-b) 而不是去考虑第一场赢了 or 第一场输了(消除了随机性)分布列是什么?w 1 2 3 ......p 1/2 1/4 1/8 ......w事件的期望 1*1/2 + 2*1/4 + 3*...
  • 11.5NOIP模拟赛

    2018-11-05 14:50:00
    什么我写了写分布列还是跟第二种策略有关??为什么数学还没学到期望的孩子们都A了? 唉。人生啊。0.5h后 我好像明白了。。。 考试的时候直接用f数组推的结论,结果就很神奇了... 我知道不是求最大概率是最大...
  • 信通学科复试面试问题

    千次阅读 多人点赞 2020-07-29 15:31:24
    7.正态分布概率密度函数是什么 8.矩阵的行秩、秩的意义。一个矩阵的秩最大为多少 9.osi模型的层和每层的功能 10.模拟信号与数字信号的区别 11.如何从模拟信号到数字信号 12.狭义/广义平稳随机过程是什么 13.QAM...
  • 最大似然函数的思想就是什么样的参数才能使我们观测到目前这组数据的概率是最大的。 最大似然估计和最小二乘法还有一大区别就是,最大似然估计需要有分布假设的,属于参数统计,如果连分布函数都不知道,又...
  • 试卷分三部分1.java2.搜索 C++(这2个为什么要混在一起?)3.公共(都要做) 我做的B卷、搜索研发类,只记得其中的一部分内容...3、网络蜘蛛4、分布列概率中的数学期望)5、搜索查准率和查全率的一个计算题6、索
  • 试卷分三部分1.java2.搜索 C++(这2个为什么要混在一起?)3.公共(都要做)我做的B卷、...3、网络蜘蛛4、分布列概率中的数学期望)5、搜索查准率和查全率的一个计算题6、索引压缩7、cralwer速度的影响8、信息熵量
  • 直方图

    2017-03-27 14:06:48
    1.什么是直方图:直方图表达的信息每种亮度的像素小点的个数。直方图图像的一个重要特征,因为直方图用少量数据表达图像的灰度统计特征。 2.直方图均衡化作用:直方图均衡化将原图像通过某种变换,得到一幅...
  • LDA学习

    千次阅读 2010-06-06 11:44:00
    2010-06-06今日学习总结,对TopicModel有了大致的了解,学习了LSI...1个文档只能有1个主题,其图是什么含义?3.EM算法:提供一个简单的迭代算法计算后验密度函数。 迭代什么,去看个案例。4.PLSI与LSI关系?5.PLSI PL
  • 7和8的差别在于8有两个因数,2和4,我们来讨论取模时,2和4的加入改变了什么 假设key由一个对象的多个字段分别乘某个数得到的。 比如一个人的key = 2*年龄 + 4*身高。//例如年龄随机分布在1-100,身高随机分布在...
  • 在每小题出的四个备选项中只有一个符合题目要求的,请将其代码填写在题后的括号内。错选、多选或未选均无分。 1.设A,B为两个互不相容事件,则下列各式中错误的( ) A.P(AB)=0 B.P(A )=P(A)+P(B) ...
  • 统计学方法与数据分析(上下册)

    热门讨论 2013-12-29 11:32:47
    4.7离散随机变量的概率分布 4.8一个常用的离散随机变量:二项分布 4.9连续随机变量的概率分布 4.10一个常用的连续随机变量:正态分布 4.11随机抽样 4.12抽样分布 4.13二项分布的正态逼近 4.14Minitab指令 4.15...
  • 注意j重1开始的,因为theta(0)为一个常数项,X中最前面一会加上11,所以乘积还是theta(0),feature没有关系,没有必要正则化 正则化后的代价: # 代价函数 def costFunction(initial_theta,X,y,inital_lambda)...
  • 1.3.1 为什么使用函数 14 1.3.2 函数的类型 14 1.3.3 函数的参数 15 1.3.4 在公式中输入函数 16 1.4 在公式中使用名称 18 1.4.1 名称的作用范围 19 1.4.2 命名区域 19 1.4.3 命名公式 20 1.4.4 命名常量 21...
  • 考研数学解题36计之31 概率模型与重要分布的关系与综合 考研数学解题36计之32 随机向量函数的分布计算一览 考研数学解题36计之33 rv矩的计算方法总结 考研数学解题36计之34 离散化问题与极限定理的核心应用 考研...
  • 集体智慧编程中文版

    2015-12-08 21:08:28
    前言 第1章 集体智慧导言 什么是集体智慧 什么是机器学习 机器学习的局限 真实生活中的例子 学习型算法的其他用途 第2章 提供推荐 协作型过滤 搜集偏好 寻找相近的用户 推荐物品 匹配商品 构建一个基于del.icio.us...

空空如也

空空如也

1 2 3
收藏数 56
精华内容 22
关键字:

概率分布列是什么