Noncentral chi-squared distribution

Noncentral chi-squared
Probability density function
Cumulative distribution function
Parameters	$k > 0\,$ degrees of freedom $\lambda > 0\,$ non-centrality parameter
Support	$x \in [0; +\infty)\,$
PDF	$\frac{1}{2}e^{-(x+\lambda)/2}\left (\frac{x}{\lambda} \right)^{k/4-1/2} I_{k/2-1}(\sqrt{\lambda x})$
CDF	$1 - Q_{\frac{k}{2}} \left( \sqrt{\lambda}, \sqrt{x} \right)$ with Marcum Q-function $Q_M(a,b)$
Mean	$k+\lambda\,$
Variance	$2(k+2\lambda)\,$
Skewness	$\frac{2^{3/2}(k+3\lambda)}{(k+2\lambda)^{3/2}}$
Ex. kurtosis	$\frac{12(k+4\lambda)}{(k+2\lambda)^2}$
MGF	$\frac{\exp\left(\frac{ \lambda t}{1-2t }\right)}{(1-2 t)^{k/2}} \text{ for }2t<1$
CF	$\frac{\exp\left(\frac{i\lambda t}{1-2it}\right)}{(1-2it)^{k/2}}$

In probability theory and statistics, the noncentral chi-squared or noncentral $\chi^2$ distribution is a generalization of the chi-squared distribution. This distribution often arises in the power analysis of statistical tests in which the null distribution is (perhaps asymptotically) a chi-squared distribution; important examples of such tests are the likelihood ratio tests.

[hide]

1 Background
2 Definition
3 Properties
- 3.1 Moment generating function
- 3.2 Moments
- 3.3 Cumulative distribution function
  - 3.3.1 Approximation
- 3.4 Differential equation
4 Derivation of the pdf
5 Related distributions
- 5.1 Transformations
6 Occurrences
- 6.1 Use in tolerance intervals
7 Notes
8 References
9 External Links

Background[edit]

Let ( $X_1$ , $X_2, \ldots,$ $X_i, \ldots,$ $X_k$ ) be k independent, normally distributed random variables with means $\mu_i$ and unit variances. Then the random variable

\sum_{i=1}^k X_i^2

is distributed according to the noncentral chi-squared distribution. It has two parameters: $k$ which specifies the number of degrees of freedom (i.e. the number of $X_i$ ), and $\lambda$ which is related to the mean of the random variables $X_i$ by:

\lambda=\sum_{i=1}^k \mu_i^2.

$\lambda$ is sometimes called the noncentrality parameter. Note that some references define $\lambda$ in other ways, such as half of the above sum, or its square root.

This distribution arises in multivariate statistics as a derivative of the multivariate normal distribution. While the central chi-squared distribution is the squared norm of a random vector with $N(0_k,I_k)$ distribution (i.e., the squared distance from the origin of a point taken at random from that distribution), the non-central $\chi^2$ is the squared norm of a random vector with $N(\mu,I_k)$ distribution. Here $0_k$ is a zero vector of length k, $\mu = (\mu_1, \ldots, \mu_k)$ and $I_k$ is theidentity matrix of size k.

Definition[edit]

The probability density function (pdf) is given by

f_X(x; k,\lambda) = \sum_{i=0}^\infty \frac{e^{-\lambda/2} (\lambda/2)^i}{i!} f_{Y_{k+2i}}(x),

where $Y_q$ is distributed as chi-squared with $q$ degrees of freedom.

From this representation, the noncentral chi-squared distribution is seen to be a Poisson-weighted mixture of central chi-squared distributions. Suppose that a random variable J has a Poisson distribution with mean $\lambda/2$ , and the conditional distribution of Z given $J=i$ is chi-squared with k+2i degrees of freedom. Then the unconditional distribution of Z is non-central chi-squared with k degrees of freedom, and non-centrality parameter $\lambda$ .

Alternatively, the pdf can be written as

f_X(x;k,\lambda)=\frac{1}{2} e^{-(x+\lambda)/2} \left (\frac{x}{\lambda}\right)^{k/4-1/2} I_{k/2-1}(\sqrt{\lambda x})

where $I_\nu(y)$ is a modified Bessel function of the first kind given by

I_\nu(y) = (y/2)^\nu \sum_{j=0}^\infty \frac{ (y^2/4)^j}{j! \Gamma(\nu+j+1)} .

Using the relation between Bessel functions and hypergeometric functions, the pdf can also be written as:^[1]

f_X(x;k,\lambda)={{\rm e}^{-\lambda/2}} _0F_1(;k/2;\lambda x/4)\frac{1}{2^{k/2}\Gamma(k/2)} {\rm e}^{-x/2} x^{k/2-1}.

Siegel (1979) discusses the case k = 0 specifically (zero degrees of freedom), in which case the distribution has a discrete component at zero.

Properties[edit]

Moment generating function[edit]

The moment generating function is given by

M(t;k,\lambda)=\frac{\exp\left(\frac{ \lambda t}{1-2t }\right)}{(1-2 t)^{k/2}}.

Moments[edit]

The first few raw moments are:

\mu'_1=k+\lambda

\mu'_2=(k+\lambda)^2 + 2(k + 2\lambda)

\mu'_3=(k+\lambda)^3 + 6(k+\lambda)(k+2\lambda)+8(k+3\lambda)

\mu'_4=(k+\lambda)^4+12(k+\lambda)^2(k+2\lambda)+4(11k^2+44k\lambda+36\lambda^2)+48(k+4\lambda)

The first few central moments are:

\mu_2=2(k+2\lambda)\,

\mu_3=8(k+3\lambda)\,

\mu_4=12(k+2\lambda)^2+48(k+4\lambda)\,

The nth cumulant is

K_n=2^{n-1}(n-1)!(k+n\lambda).\,

Hence

\mu'_n = 2^{n-1}(n-1)!(k+n\lambda)+\sum_{j=1}^{n-1} \frac{(n-1)!2^{j-1}}{(n-j)!}(k+j\lambda )\mu'_{n-j}.

Cumulative distribution function[edit]

Again using the relation between the central and noncentral chi-squared distributions, the cumulative distribution function (cdf) can be written as

P(x; k, \lambda ) = e^{-\lambda/2}\; \sum_{j=0}^\infty \frac{(\lambda/2)^j}{j!} Q(x; k+2j)

where $Q(x; k)\,$ is the cumulative distribution function of the central chi-squared distribution with k degrees of freedom which is given by

Q(x;k)=\frac{\gamma(k/2,x/2)}{\Gamma(k/2)}\,

and where

\gamma(k,z)\,

is the lower incomplete Gamma function.

The Marcum Q-function $Q_M(a,b)$ can also be used to represent the cdf.^[2]

P(x; k, \lambda) = 1 - Q_{\frac{k}{2}} \left( \sqrt{\lambda}, \sqrt{x} \right)

Approximation[edit]

Sankaran ^[3] discusses a number of closed form approximations for the cumulative distribution function. In an earlier paper,^[4] he derived and states the following approximation:

P(x; k, \lambda ) \approx \Phi \left\{ \frac{(\frac{x} {k + \lambda}) ^ h - (1 + h p (h - 1 - 0.5 (2 - h) m p))} {h \sqrt{2p} (1 + 0.5 m p)} \right\}

where

\Phi \lbrace \cdot \rbrace \,

denotes the cumulative distribution function of the standard normal distribution;

h = 1 - \frac{2}{3} \frac{(k+ \lambda) (k+ 3 \lambda)}{(k+ 2 \lambda) ^ 2} \, ;

p = \frac{k+ 2 \lambda}{(k+ \lambda) ^ 2} ;

m = (h - 1) (1 - 3 h) \, .

This and other approximations are discussed in a later text book.^[5]

To approximate the chi-squared distribution, the non-centrality parameter, $\lambda\,$ , is set to zero, yielding

P(x; k, \lambda ) \approx \Phi \left\{ \frac{\left(\frac{x}{k}\right)^{1/3} - \left(1 - \frac{2}{9k}\right) } {\sqrt{\frac{2}{9k}} } \right\} ,

essentially approximating the normalized chi-squared distribution X / k as the cube of a Gaussian.

For a given probability, the formula is easily inverted to provide the corresponding approximation for $x$ .

Differential equation[edit]

The pdf of the noncentral chi-squared distribution is a solution of the following differential equation:

\left\{\begin{array}{l}4 x f''(x)+(-2 k+4 x+8) f'(x)+f(x) (-k-\lambda+x+4)=0 \\[10pt]f(1) 2^{k/2} e^{\frac{\lambda+1}{2}}=\, _0\tilde{F}_1\left(;\frac{k}{2};\frac{\lambda}{4}\right) \\[10pt]\lambda \, _0\tilde{F}_1\left(;\frac{k}{2}+1;\frac{\lambda}{4}\right)+2 (k-3) \, _0\tilde{F}_1\left(;\frac{k}{2};\frac{\lambda}{4}\right)= 2^{\frac{k}{2}+2} e^{\frac{\lambda +1}{2}} f'(1)\end{array}\right\}

Derivation of the pdf[edit]

The derivation of the probability density function is most easily done by performing the following steps:

First, assume without loss of generality that $\sigma_1=\cdots=\sigma_k=1$ . Then the joint distribution of $X_1,\ldots,X_k$ is spherically symmetric, up to a location shift.
The spherical symmetry then implies that the distribution of $X=X_1^2+\cdots+X_k^2$ depends on the means only through the squared length, $\lambda=\mu_1^2+\cdots+\mu_k^2$ . Without loss of generality, we can therefore take $\mu_1=\sqrt{\lambda}$ and $\mu_2=\cdots=\mu_k=0$ .
Now derive the density of $X=X_1^2$ (i.e. the k = 1 case). Simple transformation of random variables shows that

\begin{align}f_X(x,1,\lambda) &= \frac{1}{2\sqrt{x}}\left( \phi(\sqrt{x}-\sqrt{\lambda}) + \phi(\sqrt{x}+\sqrt{\lambda}) \right )\\ &= \frac{1}{\sqrt{2\pi x}} e^{-(x+\lambda)/2} \cosh(\sqrt{\lambda x}), \end{align}

where

\phi(\cdot)

is the standard normal density.

Expand the cosh term in a Taylor series. This gives the Poisson-weighted mixture representation of the density, still for k = 1. The indices on the chi-squared random variables in the series above are 1 + 2i in this case.
Finally, for the general case. We've assumed, without loss of generality, that $X_2,\ldots,X_k$ are standard normal, and so $X_2^2+\cdots+X_k^2$ has a central chi-squared distribution with (k − 1) degrees of freedom, independent of $X_1^2$ . Using the poisson-weighted mixture representation for $X_1^2$ , and the fact that the sum of chi-squared random variables is also chi-squared, completes the result. The indices in the series are (1 + 2i) + (k − 1) = k + 2i as required.

Related distributions[edit]

If $V$ is chi-squared distributed $V \sim \chi_k^2$ then $V$ is also non-central chi-squared distributed: $V \sim {\chi'}^2_k(0)$

If $V_1 \sim {\chi'}_{k_1}^2(\lambda)$ and $V_2 \sim {\chi'}_{k_2}^2(0)$ and $V_1$ is independent of $V_2$ then a noncentral F-distributed variable is developed as $\frac{V_1/k_1}{V_2/k_2} \sim F'_{k_1,k_2}(\lambda)$

If $J \sim \mathrm{Poisson}\left(\frac{\lambda}{2}\right)$ , then $\chi_{k+2J}^2 \sim {\chi'}_k^2(\lambda)$

If $V\sim{\chi'}^2_2(\lambda)$ , then $\sqrt{V}$ takes the Rice distribution with parameter $\sqrt{\lambda}$ .

Normal approximation:^[6] if $V \sim {\chi'}^2_k(\lambda)$ , then $\frac{V-(k+\lambda)}{\sqrt{2(k+2\lambda)}}\to N(0,1)$ in distribution as either $k\to\infty$ or $\lambda\to\infty$ .

Transformations[edit]

Sankaran (1963) discusses the transformations of the form $z=[(X-b)/(k+\lambda)]^{1/2}$ . He analyzes the expansions of the cumulants of $z$ up to the term $O((k+\lambda)^{-4})$ and shows that the following choices of $b$ produce reasonable results:

$b=(k-1)/2$ makes the second cumulant of $z$ approximately independent of $\lambda$

$b=(k-1)/3$ makes the third cumulant of $z$ approximately independent of $\lambda$

$b=(k-1)/4$ makes the fourth cumulant of $z$ approximately independent of $\lambda$

Also, a simpler transformation $z_1 = (X-(k-1)/2)^{1/2}$ can be used as a variance stabilizing transformation that produces a random variable with mean $(\lambda + (k-1)/2)^{1/2}$ and variance $O((k+\lambda)^{-2})$ .

Usability of these transformations may be hampered by the need to take the square roots of negative numbers.

**Various chi and chi-squared distributions**
Name	Statistic
chi-squared distribution	$\sum_1^k \left(\frac{X_i-\mu_i}{\sigma_i}\right)^2$
noncentral chi-squared distribution	$\sum_1^k \left(\frac{X_i}{\sigma_i}\right)^2$
chi distribution	$\sqrt{\sum_1^k \left(\frac{X_i-\mu_i}{\sigma_i}\right)^2}$
noncentral chi distribution	$\sqrt{\sum_1^k \left(\frac{X_i}{\sigma_i}\right)^2}$

Occurrences[edit]

Use in tolerance intervals[edit]

Two-sided normal regression tolerance intervals can be obtained based on the noncentral chi-squared distribution.^[7] This enables the calculation of a statistical interval within which, with some confidence level, a specified proportion of a sampled population falls.

Notes[edit]

Jump up^ Muirhead (2005) Theorem 1.3.4
Jump up^ Nuttall, Albert H. (1975): Some Integrals Involving the Q_M Function, IEEE Transactions on Information Theory, 21(1), 95–96, ISSN 0018-9448
Jump up^ Sankaran , M. (1963). Approximations to the non-central chi-squared distribution Biometrika, 50(1-2), 199–204
Jump up^ Sankaran , M. (1959). "On the non-central chi-squared distribution", Biometrika 46, 235–237
Jump up^ Johnson et al. (1995) Section 29.8
Jump up^ Muirhead (2005) pages 22–24 and problem 1.18.
Jump up^ Derek S. Young (August 2010). "tolerance: An R Package for Estimating Tolerance Intervals". Journal of Statistical Software 36 (5): 1–39. ISSN 1548-7660. Retrieved 19 February 2013., p.32

References[edit]

Abramowitz, M. and Stegun, I.A. (1972), Handbook of Mathematical Functions, Dover. Section 26.4.25.
Johnson, N. L., Kotz, S., Balakrishnan, N. (1970), Continuous Univariate Distributions, Volume 2, Wiley. ISBN 0-471-58494-0
Muirhead, R. (2005) Aspects of Multivariate Statistical Theory (2nd Edition). Wiley. ISBN 0-471-76985-1
Siegel, A.F. (1979), "The noncentral chi-squared distribution with zero degrees of freedom and testing for uniformity", Biometrika, 66, 381–386
Press, S.J. (1966), "Linear combinations of non-central chi-squared variates", The Annals of Mathematical Statistics 37 (2): 480–487, doi:10.1214/aoms/1177699531, JSTOR 2238621

External Links[edit]

Non central chi squared distribution – from itfeature.com

Python算法L5：贪心算法小熊同学哦 Python算法算法 python 贪心算法
Python贪心算法简介目录Python贪心算法简介贪心算法的基本步骤贪心算法的适用场景经典贪心算法问题1.**零钱兑换问题**2.**区间调度问题**3.**背包问题**贪心算法的优缺点优点：缺点：结语贪心算法（GreedyAlgorithm）是一种在每一步选择中都采取当前最优或最优解的算法。它的核心思想是，在保证每一步局部最优的情况下，希望通过贪心选择达到全局最优解。虽然贪心算法并不总能得到全
非对称加密算法————RSA理论及详情 hu19930613
转自：https://www.kancloud.cn/kancloud/rsa_algorithm/48484一、一点历史1976年以前，所有的加密方法都是同一种模式：（1）甲方选择某一种加密规则，对信息进行加密；（2）乙方使用同一种规则，对信息进行解密。由于加密和解密使用同样规则（简称"密钥"），这被称为"对称加密算法"（Symmetric-keyalgorithm）。这种加密模式有一个最大弱点
数据结构 1 五花肉村长数据结构算法开发语言 c语言 visualstudio
1.什么是数据结构数据结构（DataStructure）是计算机存储和组织数据的方式，是指相互之间存在的一种或多种特定关系的数据元的集合。2.什么是算法算法（Algorithm）就是定义良好的计算过程，他取一个或一组的值为输入，并产生出一个或一组值作为输出。简单来说算法就是一系列的计算步骤，用来将输入数据转化成输出结果。3.数据结构和算法的书籍资料学习完数据结构知识，可以去看《剑指offer》和《
三点or多点的变换矩阵求解opencv & eigen 合工大机器人实验室 C++矩阵 opencv 线性代数
《Estimating3-DRigidBodyTransformations:AComparisonofFourMajorAlgorithms》，它使用SVD方法计算T和t。只要算出变换矩阵，就可以算出A坐标系的一个点P在坐标系B里的对应点坐标，即R为3x3的转换矩阵，t为3x1的位移变换向量，这里点坐标均为3x1的列向量（非齐次形式，齐次形式下为4x1列向量，多出的一个元素值补1而已）。理论上只
详解贪心算法凭君语未可算法软考算法贪心算法
贪心算法什么是贪心算法？贪心算法的特点贪心算法的应用场景贪心算法的基本思路贪心算法的经典应用1.活动选择问题2.最小硬币找零问题3.霍夫曼编码问题贪心算法的正确性贪心算法的优缺点总结什么是贪心算法？贪心算法（GreedyAlgorithm）是一种基于每一步都选择当前最优解的算法设计思想。它在每个阶段总是做出在当前看来最优的选择（局部最优解），而不回溯或考虑整个问题的全局最优性。它期望通过这样逐步构
算法设计与分析合并排序的递归实现算法 Jxcupupup 算法算法算法设计与分析
合并排序的递归实现算法。输入：先输入进行合并排序元素的个数，然后依次随机输入（或随机生成）每个数字。输出：元素排序后的结果，数字之间不加任何标识符。示//完整代码在GitHub上//https://github.com/Jxcup/Course_Algorithm_Analysis-Design/blob/main/MergeSort_iteration.cpp//合并排序递归#includeus
c语言输入两个字符串按字典数序比较大小,算法学习笔记（一）C++排序函数、映射技巧与字典树... Nature自然科研 c语言输入两个字符串按字典数序比较大小
1.头文件algorithm中有函数sort()用于排序，参数为：排序起始地址，排序结束地址，排序规则(返回bool型)例如，要将array[]={5,7,1,2,9}升序排列，则使用：boolcmp(inta,intb);intmain(){intarray[]={5,7,1,2,9};sort(array,array+5,cmp);for(inti=0;icoutb)returnfalse;e
遗传算法（Genetic Algorithm,GA）-基于MATLAB环境实现朱佩棋（代码版）启发式算法启发式算法算法 matlab
1.GA简介geneticalgorithm，美国Holland教授创立，基于达尔文进化论和孟德尔的遗传学说。遗传算法类比了生物界中自然选择、交叉、变异等自然进化方式，利用数码串类比染色体，通过选择、交叉、变异等遗传算子模拟生物的进化过程。1.1遗传算法的流程1.编码伪代码：2.产生初始群体Chooseinitialpopulation3.计算适应度Evaluatethefitnessofeach
【译】Swift算法俱乐部-布隆过滤器 Andy_Ron
Swift算法俱乐部本文是对SwiftAlgorithmClub翻译的一篇文章。SwiftAlgorithmClub是raywenderlich.com网站出品的用Swift实现算法和数据结构的开源项目，目前在GitHub上有18000+⭐️，我初略统计了一下，大概有一百左右个的算法和数据结构，基本上常见的都包含了，是iOSer学习算法和数据结构不错的资源。andyRon/swift-algori
AdaBoost算法（AdbBoost Algorithm）—有监督学习方法、非概率模型、判别模型、非线性模型、非参数化模型、批量学习剑海风云 Artificial Intelligence 人工智能机器学习提升方法 AdaBoost
定义输入:训练数据集T={(x1,y1),(x2,y2),⋯ ,(xN,yN)}T=\{(x_1,y_1),(x_2,y_2),\cdots,(x_N,y_N)\}T={(x1,y1),(x2,y2),⋯,(xN,yN)},其中，xi∈χ⊆Rn,yi∈y={−1,+1}x_i\in\chi\subseteqR^n,y_i\in{\tty}=\{-1,+1\}xi∈χ⊆Rn,yi∈y={−1,+1}
Study Plan For Algorithms - Part29 五月的风与火 Study Plan For Algorithms python 算法数据结构
1.在排序数组中查找数字统计一个数字在排序数组中出现的次数。方法一：defsearch(nums,target):returnhelper(nums,target)-helper(nums,target-1)defhelper(nums,target):i=0j=len(nums)-1whileitargetor(lowerandnums[mid]>=target):right=mid-1else
斐波纳契数列(f(n)=f(n-1)+f(n-2))问题剑海风云 Algorithm 算法数列
packageorg.nxt.algorithm.series;importjava.math.BigInteger;/***fibonacciseries*@authornanxiaotao**/publicclassFibonacciSeries{privatestaticBigInteger[][]matrix(BigInteger[][]arrLeft,BigInteger[][]arrR
Kamada-Kawai 布局算法简介，nx.kamada_kawai_layout(G) 小桥流水---人工智能人工智能深度学习机器学习算法算法 python 人工智能
nx.kamada_kawai_layout(G)是NetworkX中用于图布局的一个函数，它基于Kamada-Kawai弹簧嵌入算法（Kamada-KawaiSpringLayoutAlgorithm）。这是一个经典的力导向布局算法，它特别适用于中小型图的可视化，能够让节点的位置更直观地反映它们之间的关系。Kamada-Kawai布局算法简介Kamada-Kawai算法是一种用于图的二维或三维可
翻译 Compaction wiki i_need_job
网址：https://github.com/facebook/rocksdb/wiki/Compaction有道CompactionCompactionalgorithmsconstraintheLSMtreeshape.Theydeterminewhichsortedrunscanbemergedbyitandwhichsortedrunsneedtobeaccessedforareadoper
Go-Snowflake 项目教程喻季福
Go-Snowflake项目教程go-snowflake❄AnLockFreeIDGeneratorforGolangbasedonSnowflakeAlgorithm(Twitterannounced).项目地址:https://gitcode.com/gh_mirrors/go/go-snowflake项目介绍Go-Snowflake是一个基于Go语言实现的分布式唯一ID生成器，灵感来源于Tw
2023ICPC济南站训练补题 farawaytravelerchy ACM-ICPC训练补题算法 python
title:2023ICPC济南站VP补题记录(第48届)date:2024-01-1812:16:23mathjax:truetags:XCPCcategories:Algorithm文章目录2023ICPC济南站训练补题注:暂时更新vp时ac的4道题，其余题目之后持续更新[Problem-D-LargestDigit](https://codeforces.com/gym/104901/pro
【算法】浅析贪心算法 Ustinian_310 算法贪心算法 python
贪心算法：高效解决问题的策略1.引言在计算机科学和优化领域，贪心算法是一种常用的解决问题的策略。它以当前情况为基础，做出最优选择，从而希望最终结果也是最优的。本文将带你了解贪心算法的原理、使用方法及其在实际应用中的意义，并通过代码示例和图示帮助大家更好地理解。2.贪心算法简介2.1定义贪心算法（GreedyAlgorithm）是一种在每一步选择中都采取当前状态下最优（即最有利）的选择，从而希望导致
OpenCV结构分析与形状描述符（8）点集凸包计算函数convexHull()的使用 jndingxin OpenCV opencv 人工智能计算机视觉
操作系统：ubuntu22.04OpenCV版本：OpenCV4.9IDE:VisualStudioCode编程语言：C++11算法描述查找一个点集的凸包。函数cv::convexHull使用斯克拉斯基算法（Sklansky’salgorithm）来查找一个二维点集的凸包，在当前实现中该算法的时间复杂度为O(NlogN)。函数cv::convexHull是OpenCV库中的一个功能，用于计算一组二
Java算法之判断平衡二叉树持续输出... #Java 算法算法
判断一棵二叉树是否是平衡二叉树（即AVL树）是一个常见的问题。平衡二叉树的定义是：对于树中的每个节点，其左右子树的高度差不超过1。我们可以通过递归的方法来判断一棵二叉树是否是平衡的packagecom.huawei.od.huawei.algorithm;/***@ClassName:IsBalancedBinaryTree是否是平衡二叉树*@Desc:判断一棵二叉树是否是平衡二叉树（即AVL树）
Python深度学习-环境 cunzai1985 tensorflow python 深度学习人工智能 anaconda
Python深度学习-环境(PythonDeepLearning-Environment)Inthischapter,wewilllearnabouttheenvironmentsetupforPythonDeepLearning.Wehavetoinstallthefollowingsoftwareformakingdeeplearningalgorithms.在本章中，我们将学习为Python
探索图形算法的奇妙世界：goraph 孔岱怀
探索图形算法的奇妙世界：goraphgoraphPackagegoraphimplementsgraphdatastructureandalgorithms.项目地址:https://gitcode.com/gh_mirrors/go/goraph在编程领域，数据结构和算法是构建高效应用的基础。今天，我们要向您推荐一款名为【goraph】的开源项目，它是一个用Go语言实现的图形数据结构及其算法库。
【小白深度教程 1.5】手把手教你用立体匹配进行双目深度估计，以及 3D 点云生成（含 Python 代码解读）小寒学姐学AI 从零开始的深度补全和深度估计 3d python 人工智能计算机视觉自动驾驶深度学习笔记
【小白深度教程1.5】手把手教你用立体匹配进行双目深度估计，以及3D点云生成（含Python代码解读）1.立体匹配的原理2.块匹配算法（BlockMatchingAlgorithm）2.1代码中的立体匹配过程概述2.2代码原理及公式2.2.1.窗口匹配和代价函数（SAD）2.2.2.匹配过程2.2.3.视差图生成2.3代码的整体算法流程2.4性能与优化3.加载双目图像计算视差4.读取相机参数并计算
关于多变量超扭曲算法的到达时间评估 beegreen 控制与信号处理算法动态规划数学建模
关于多变量超扭曲算法的到达时间评估I.引言II.问题陈述III.李雅普诺夫函数的性质IV.到达时间估计V.原始系统的到达时间估计VI.最差干扰VII.数值问题和示例A.示例VIII.结论致谢参考文献REFERENCESOnMultivariableSuper-TwistingAlgorithmReachingTimeAssessment摘要——本文提供了一种基于线性矩阵不等式（LMI）的程序，用于
SSH Secure File Transfer Client连接远程设备报“algorithm negotiation failed”错的解决方法成长Bar uinx/linux negotiation failed algorithm negotiatio
SSHSecureFileTransferClient连接远程设备报“algorithmnegotiationfailed”错的解决方法sshclient报algorithmnegotiationfailed的解决方法之一是修改sshd的配置文件，请参考以下三个步骤进行解决该问题。第一步：进入配置文件/etc/ssh/sshd_config第二步：在配置文件中添加Ciphersaes128-cbc
机器学习系列12：反向传播算法 SuperFengCode 机器学习系列机器学习神经网络反向传播算法梯度检验机器学习笔记
当我们要运用高级算法进行梯度下降时，需要计算两个值，代价函数和代价函数的偏导数：代价函数我们之前已经知道怎么求了，现在只需要求代价函数的偏导数即可。采用如下方法，先进行前向传播算法，然后再进行反向传播算法（BackpropagationAlgorithm），反向传播算法与前向传播算法方向相反，它用来求代价函数的偏导数。具体过程看下图：用δ作为误差，计算方法为：有时我们在运用反向传播算法时会遇到bu
[Algorithm][综合训练][栈和排序][加减]详细讲解 DieSnowK [OJ]#[综合训练]Algorithm 算法综合训练栈和排序加减 C++详细讲解
目录1.栈和排序1.题目链接2.算法原理详解&&代码实现2.加减1.题目链接2.算法原理详解&&代码实现1.栈和排序1.题目链接栈和排序2.算法原理详解&&代码实现解法：栈+贪心->每次尽可能先让当前需要的最大值弹出去vectorsolve(vector&a){intn=a.size();vectorhash(n+1,false);vectorret;intaim=n;stackst;for(au
What are some of halcon‘s best algorithms that opencv doesn‘t implement 0010000100 OpenCV opencv 人工智能
HALCON,ahighlyoptimizedmachinevisionlibrary,offersarangeofadvancedalgorithmsthatOpenCVeitherdoesn’timplementorhandlesdifferently.SomeofthekeystrengthsofHALCONcomparedtoOpenCVinclude:Shape-BasedMatchin
[ A*实现 ] C++，矩阵地图 Arik (IoT) 移动机器人路径规划路径规划
参考文献：A*寻路算法C++简单实现（csdn.net）ROSpackageofAstaralgorithm(github.com)实现代码：https://gitee.com/upcgyl/astar.git存在问题：地图目前必须是可搜索到路径周围点寻找太过复杂OpenList和CloseList结构不统一导致查找函数需要写两个后续优化：思考二叉堆的实现方式优化地图输入区分linux端：增加Op
[C++] C++11详解（四）lambda表达式水墨不写bug Cpp c++开发语言
标题：[C++]C++11详解（四）lambda表达式@水墨不写bug目录一、lambda表达式lambda表达式语法lambda表达式与仿函数关系正文开始：一、lambda表达式作为C++学习者，你一定对algorithm中的sort函数十分熟悉，sort函数默认可以对自定义类型的数据按照升序排序。在实际生活中，我们常常遇到的场景是需要对自定义类型对象排序。如何对自定义类型排序？其实就是按照某一
令牌桶算法：原理与代码实现 Lill_bin 杂谈网络服务器运维大数据 java 开发语言后端
引言令牌桶算法（TokenBucketAlgorithm）是一种网络流量整形（TrafficShaping）和速率限制（RateLimiting）的算法。它能够限制数据传输的平均速率，同时允许某种程度的突发传输。在许多场景中，如网络带宽管理、API速率限制等，令牌桶算法都得到了广泛的应用。原理令牌桶算法的核心思想是使用一个虚拟的“桶”来存储令牌，每个令牌代表一个数据包的传输权限。系统按照固定的速率
关于旗正规则引擎规则中的上传和下载问题何必如此文件下载压缩 jsp 文件上传
文件的上传下载都是数据流的输入输出，大致流程都是一样的。一、文件打包下载 1.文件写入压缩包 string mainPath="D:\upload\"; 下载路径 string tmpfileName=jar.zip; &n
【Spark九十九】Spark Streaming的batch interval时间内的数据流转源码分析 bit1129 Stream
以如下代码为例（SocketInputDStream）： Spark Streaming从Socket读取数据的代码是在SocketReceiver的receive方法中，撇开异常情况不谈(Receiver有重连机制，restart方法，默认情况下在Receiver挂了之后，间隔两秒钟重新建立Socket连接)，读取到的数据通过调用store(textRead)方法进行存储。数据
spark master web ui 端口8080被占用解决方法 daizj 8080 端口占用 spark master web ui
spark master web ui 默认端口为8080，当系统有其它程序也在使用该接口时，启动master时也不会报错，spark自己会改用其它端口，自动端口号加1，但为了可以控制到指定的端口，我们可以自行设置，修改方法： 1、cd SPARK_HOME/sbin 2、vi start-master.sh 3、定位到下面部分
oracle_执行计划_谓词信息和数据获取周凡杨 oracle 执行计划
oracle_执行计划_谓词信息和数据获取(上) 一：简要说明在查看执行计划的信息中，经常会看到两个谓词filter和access，它们的区别是什么，理解了这两个词对我们解读Oracle的执行计划信息会有所帮助。简单说，执行计划如果显示是access，就表示这个谓词条件的值将会影响数据的访问路径（表还是索引），而filter表示谓词条件的值并不会影响数据访问路径，只起到
spring中datasource配置 g21121 dataSource
datasource配置有很多种，我介绍的一种是采用c3p0的，它的百科地址是： http://baike.baidu.com/view/920062.htm  <bean name="propertiesConfig" class="org.springframework.b
web报表工具FineReport使用中遇到的常见报错及解决办法（三）老A不折腾 finereport FAQ 报表软件
这里写点抛砖引玉，希望大家能把自己整理的问题及解决方法晾出来，Mark一下，利人利己。出现问题先搜一下文档上有没有，再看看度娘有没有，再看看论坛有没有。有报错要看日志。下面简单罗列下常见的问题，大多文档上都有提到的。 1、repeated column width is largerthan paper width：这个看这段话应该是很好理解的。比如做的模板页面宽度只能放
mysql 用户管理墙头上一根草 linux mysql user
1.新建用户 //登录MYSQL@>mysql -u root -p@>密码//创建用户mysql> insert into mysql.user(Host,User,Password) values(‘localhost’,'jeecn’,password(‘jeecn’));//刷新系统权限表mysql>flush privileges;这样就创建了一个名为：
关于使用Spring导致c3p0数据库死锁问题 aijuans spring Spring 入门 Spring 实例 Spring3 Spring 教程
这个问题我实在是为整个 springsource 的员工蒙羞如果大家使用 spring 控制事务，使用 Open Session In View 模式， com.mchange.v2.resourcepool.TimeoutException: A client timed out while waiting to acquire a resource from com.mchange.
百度词库联想 annan211 百度
<!DOCTYPE html> <html> <head> <meta http-equiv="Content-Type" content="text/html; charset=UTF-8"> <title>RunJS</title&g
int数据与byte之间的相互转换实现代码百合不是茶位移 int转byte byte转int 基本数据类型的实现
在BMP文件和文件压缩时需要用到的int与byte转换,现将理解的贴出来; 主要是要理解;位移等概念 http://baihe747.iteye.com/blog/2078029 int转byte; byte转int; /** * 字节转成int,int转成字节 * @author Administrator *
简单模拟实现数据库连接池 bijian1013 java thread java多线程简单模拟实现数据库连接池
简单模拟实现数据库连接池实例1： package com.bijian.thread; public class DB { //private static final int MAX_COUNT = 10; private static final DB instance = new DB(); private int count = 0; private i
一种基于Weblogic容器的鉴权设计 bijian1013 java weblogic
服务器对请求的鉴权可以在请求头中加Authorization之类的key，将用户名、密码保存到此key对应的value中，当然对于用户名、密码这种高机密的信息，应该对其进行加砂加密等，最简单的方法如下： String vuser_id = "weblogic"; String vuse
【RPC框架Hessian二】Hessian 对象序列化和反序列化 bit1129 hessian
任何一个对象从一个JVM传输到另一个JVM，都要经过序列化为二进制数据(或者字符串等其他格式，比如JSON)，然后在反序列化为Java对象，这最后都是通过二进制的数据在不同的JVM之间传输(一般是通过Socket和二进制的数据传输)，本文定义一个比较符合工作中。 1. 定义三个POJO Person类 package com.tom.hes
【Hadoop十四】Hadoop提供的脚本的功能 bit1129 hadoop
1. hadoop-daemon.sh 1.1 启动HDFS ./hadoop-daemon.sh start namenode ./hadoop-daemon.sh start datanode 通过这种逐步启动的方式，比start-all.sh方式少了一个SecondaryNameNode进程，这不影响Hadoop的使用，其实在 Hadoop2.0中，SecondaryNa
中国互联网走在“灰度”上 ronin47 管理灰度
中国互联网走在“灰度”上（转）文/孕峰第一次听说灰度这个词，是任正非说新型管理者所需要的素质。第二次听说是来自马化腾。似乎其他人包括马云也用不同的语言说过类似的意思。灰度这个词所包含的意义和视野是广远的。要理解这个词，可能同样要用“灰度”的心态。灰度的反面，是规规矩矩，清清楚楚，泾渭分明，严谨条理，是决不妥协，不转弯，认死理。黑白分明不是灰度，像彩虹那样
java-51-输入一个矩阵，按照从外向里以顺时针的顺序依次打印出每一个数字。 bylijinnan java
public class PrintMatrixClockwisely { /** * Q51.输入一个矩阵，按照从外向里以顺时针的顺序依次打印出每一个数字。例如：如果输入如下矩阵： 1 2 3 4 5 6 7 8 9
mongoDB 用户管理开窍的石头 mongoDB用户管理
1:添加用户第一次设置用户需要进入admin数据库下设置超级用户（use admin） db.addUsr({user:'useName',pwd:'111111',roles:[readWrite,dbAdmin]}); 第一个参数用户的名字第二个参数
[游戏与生活]玩暗黑破坏神3的一些问题 comsci 生活
暗黑破坏神3是有史以来最让人激动的游戏。。。。但是有几个问题需要我们注意玩这个游戏的时间，每天不要超过一个小时，且每次玩游戏最好在白天结束游戏之后，最好在太阳下面来晒一下身上的暗黑气息，让自己恢复人的生气 &nb
java 二维数组如何存入数据库 cuiyadll java
using System; using System.Linq; using System.Text; using System.Windows.Forms; using System.Xml; using System.Xml.Serialization; using System.IO; namespace WindowsFormsApplication1 {
本地事务和全局事务Local Transaction and Global Transaction(JTA) darrenzhu java spring local global transaction
Configuring Spring and JTA without full Java EE http://spring.io/blog/2011/08/15/configuring-spring-and-jta-without-full-java-ee/ Spring doc -Transaction Management http://docs.spring.io/spri
Linux命令之alias - 设置命令的别名，让 Linux 命令更简练 dcj3sjt126com linux alias
用途说明设置命令的别名。在linux系统中如果命令太长又不符合用户的习惯，那么我们可以为它指定一个别名。虽然可以为命令建立“链接”解决长文件名的问题，但对于带命令行参数的命令，链接就无能为力了。而指定别名则可以解决此类所有问题【1】。常用别名来简化ssh登录【见示例三】，使长命令变短，使常用的长命令行变短，强制执行命令时询问等。常用参数格式：alias 格式：ali
yii2 restful web服务[格式响应] dcj3sjt126com PHP yii2
响应格式当处理一个 RESTful API 请求时，一个应用程序通常需要如下步骤来处理响应格式：确定可能影响响应格式的各种因素，例如媒介类型，语言，版本，等等。这个过程也被称为 content negotiation。资源对象转换为数组，如在 Resources 部分中所描述的。通过 [[yii\rest\Serializer]]
MongoDB索引调优（2）——[十] eksliang mongodb MongoDB索引优化
转载请出自出处：http://eksliang.iteye.com/blog/2178555 一、概述上一篇文档中也说明了，MongoDB的索引几乎与关系型数据库的索引一模一样，优化关系型数据库的技巧通用适合MongoDB，所有这里只讲MongoDB需要注意的地方二、索引内嵌文档可以在嵌套文档的键上建立索引，方式与正常
当滑动到顶部和底部时，实现Item的分离效果的ListView gundumw100 android
拉动ListView，Item之间的间距会变大，释放后恢复原样； package cn.tangdada.tangbang.widget; import android.annotation.TargetApi; import android.content.Context; import android.content.res.TypedArray; import andr
程序员用HTML5制作的爱心树表白动画 ini JavaScript jquery Web html5 css
体验效果：http://keleyi.com/keleyi/phtml/html5/31.htmHTML代码如下： <!DOCTYPE html> <html xmlns="http://www.w3.org/1999/xhtml"><head><meta charset="UTF-8" > <ti
预装windows 8 系统GPT模式的ThinkPad T440改装64位 windows 7旗舰版 kakajw ThinkPad 预装改装 windows 7 windows 8
该教程具有普遍参考性，特别适用于联想的机器，其他品牌机器的处理过程也大同小异。该教程是个人多次尝试和总结的结果，实用性强，推荐给需要的人！缘由小弟最近入手笔记本ThinkPad T440，但是特别不能习惯笔记本出厂预装的Windows 8系统，而且厂商自作聪明地预装了一堆没用的应用软件，消耗不少的系统资源（本本的内存为4G，系统启动完成时，物理内存占用比
Nginx学习笔记 mcj8089 nginx
一、安装nginx 1、在nginx官方网站下载一个包，下载地址是： http://nginx.org/download/nginx-1.4.2.tar.gz 2、WinSCP(ftp上传工
mongodb 聚合查询每天论坛链接点击次数 qiaolevip 每天进步一点点学习永无止境 mongodb 纵观千象
/* 18 */ { "_id" : ObjectId("5596414cbe4d73a327e50274"), "msgType" : "text", "sendTime" : ISODate("2015-07-03T08:01:16.000Z"
java术语（PO/POJO/VO/BO/DAO/DTO） Luob. DAO POJO DTO po VO BO
PO(persistant object) 持久对象在o/r 映射的时候出现的概念,如果没有o/r映射,就没有这个概念存在了.通常对应数据模型(数据库),本身还有部分业务逻辑的处理.可以看成是与数据库中的表相映射的java对象.最简单的PO就是对应数据库中某个表中的一条记录,多个记录可以用PO的集合.PO中应该不包含任何对数据库的操作. VO(value object) 值对象通
算法复杂度 Wuaner Algorithm
Time Complexity & Big-O： http://stackoverflow.com/questions/487258/plain-english-explanation-of-big-o http://bigocheatsheet.com/ http://www.sitepoint.com/time-complexity-algorithms/

Noncentral chi-squared distribution

Noncentral chi-squared distribution

Contents

Background[edit]

Definition[edit]

Properties[edit]

Moment generating function[edit]

Moments[edit]

Cumulative distribution function[edit]

Approximation[edit]

Differential equation[edit]

Derivation of the pdf[edit]

Related distributions[edit]

Transformations[edit]

Occurrences[edit]

Use in tolerance intervals[edit]

Notes[edit]

References[edit]

External Links[edit]

你可能感兴趣的:(Algorithm)