一大盘洋芋
一大盘洋芋

f分布k阶矩推导

Y=\frac{X_{1}/n_{1}}{X_{2}/n_{2}}

其中，X\sim \chi^{2}(n)\sim Ga(\frac{n}{2},\frac{1}{2})

f(x)=\frac{\lambda^{\alpha}}{\Gamma(\alpha)}x^{\alpha-1}e^{-\lambda x},x> 0

转换的雅可比式：\left | \frac{\varphi (x_{1},x_{2})}{\varphi (y,x_{2})} \right |=\begin{vmatrix} \frac{n_{1}x_{2}}{n_{2}} &\,\,\frac{n_{1}y}{n_{2}} \\ 0 & 1 \end{vmatrix}=\left |\frac{n_{1}x_{2}}{n_{2}} \right |

\begin{aligned} f_{Y}(y)=&\int_{0}^{\infty} \frac{n_{1}x_{2}}{n_{2}}f_{X_{1}}(yx_{2}\frac{n_{1}}{n_{2}})f_{X_{2}}(x_{2})dx_{2}\\ =&\int_{0}^{\infty} \frac{n_{1}x_{2}}{n_{2}}\frac{1}{\Gamma(\frac{n_{1}}{2})\Gamma(\frac{n_{2}}{2})2^{\frac{n_{1}+n_{2}}{2}}}\left ( \frac{n_{1}}{n_{2}} \right )^{\frac{n_{1}}{2}}y^{\frac{n_{1}}{2}-1}\\&\,\,\,\,\,\,\,x_{2}^{\frac{n_{1}+n_{2}}{2}-1}e^{-\frac{x_{2}}{2}(1+\frac{n_{1}}{n_{2}}y)}dx_{2}\\ &t=\frac{x_{2}}{2}(1+\frac{n_{1}}{n_{2}}y) \\=&\int_{0}^{\infty} \frac{1}{\Gamma(\frac{n_{1}}{2})\Gamma(\frac{n_{2}}{2})2^{\frac{n_{1}+n_{2}}{2}}}\left ( \frac{n_{1}}{n_{2}} \right )^{\frac{n_{1}}{2}}y^{\frac{n_{1}}{2}-1}\\&\,\,\,\,\,\,\,t^{\frac{n_{1}+n_{2}}{2}-1}e^{-t}\left ( \frac{1}{2}\left(1+\frac{n_{1}}{n_{2}}y\right) \right )^{-\frac{n_{1}+n_{2}}{2}}dt\\ =&\frac{\Gamma(\frac{n_{1}+n_{2}}{2})}{\Gamma(\frac{n_{1}}{2})\Gamma(\frac{n_{2}}{2})}\left ( \frac{n_{1}}{n_{2}} \right )^{\frac{n_{1}}{2}}y^{\frac{n_{1}}{2}-1}\left ( 1+\frac{n_{1}}{n_{2}}y \right )^{-\frac{n_{1}+n_{2}}{2}} \end{aligned}

k阶矩E(Y^{k})为：

\int_{0}^{\infty}y^{k}\frac{\Gamma(\frac{n_{1}+n_{2}}{2})}{\Gamma(\frac{n_{1}}{2})\Gamma(\frac{n_{2}}{2})}\left ( \frac{n_{1}}{n_{2}} \right )^{\frac{n_{1}}{2}}y^{\frac{n_{1}}{2}-1}\left ( 1+\frac{n_{1}}{n_{2}}y \right )^{-\frac{n_{1}+n_{2}}{2}}dy

上式中积分变换难以直接看出怎么解，先利用f分布和其他分布关系来求：

E(Y^{k})=\left(\frac{n_{2}}{n_{1}} \right )^{k}EX_{1}^{k}E\left(\frac{1}{X_{2}} \right )^{k}

\begin{aligned} E(X^{k})=&\int_{0}^{\infty}\frac{1}{\Gamma(\frac{n}{2})2^{\frac{n}{2}}}x^{\frac{n}{2}+k-1}e^{-\frac{1}{2}x}dx\\ &t=\frac{x}{2}\\ =&\int_{0}^{\infty}\frac{2^{k}}{\Gamma(\frac{n}{2})}t^{\frac{n}{2}+k-1}e^{-t}dt\\ =&\frac{2^{k}\Gamma(\frac{n}{2}+k)}{\Gamma(\frac{n}{2})}\\ =&2^{k}(\frac{n}{2}+k-1)(\frac{n}{2}+k-2)...\frac{n}{2}\\ =&(n+2k-2)(n+2k-4)...n\\ =&\frac{(n+2k-2)!!}{(n-2)!!} \end{aligned}

则，

\begin{aligned} E(Y^{k})=&\left(\frac{n_{2}}{n_{1}} \right )^{k}\frac{2^{k}\Gamma(\frac{n_{1}}{2}+k)}{\Gamma(\frac{n_{1}}{2})}\frac{2^{-k}\Gamma(\frac{n_{2}}{2}-k)}{\Gamma(\frac{n_{2}}{2})}\\ =&\left(\frac{n_{2}}{n_{1}} \right )^{k}\frac{\Gamma(\frac{n_{1}}{2}+k)\Gamma(\frac{n_{2}}{2}-k)}{\Gamma(\frac{n_{1}}{2})\Gamma(\frac{n_{2}}{2})} \end{aligned}

对比上式与密度函数积分式的区别：

\frac{\Gamma(\frac{n_{1}}{2}+k)\Gamma(\frac{n_{2}}{2}-k)}{\Gamma(\frac{n_{1}}{2})\Gamma(\frac{n_{2}}{2})}=\frac{\Gamma(\frac{n_{1}+n_{2}}{2})}{\Gamma(\frac{n_{1}}{2})\Gamma(\frac{n_{2}}{2})}\cdot B(\frac{n_{1}}{2}+k,\frac{n_{2}}{2}-k)

所以证明下式等于上式右侧贝塔函数即可：

\int_{0}^{\infty}y^{k}\left ( \frac{n_{1}}{n_{2}} \right )^{\frac{n_{1}}{2}+k}y^{\frac{n_{1}}{2}-1}\left ( 1+\frac{n_{1}}{n_{2}}y \right )^{-\frac{n_{1}+n_{2}}{2}}dy

试图凑出与贝塔函数相似的元素，

设\frac{1}{1-t}=1+\frac{n_{1}}{n_{2}}y，则t=\frac{\frac{n_{1}}{n_{2}}y}{1+\frac{n_{1}}{n_{2}}y}范围是(0,1)

\begin{aligned} &\int_{0}^{\infty}\left ( \frac{n_{1}}{n_{2}} \right )^{\frac{n_{1}}{2}+k}y^{\frac{n_{1}}{2}+k-1}\left ( 1+\frac{n_{1}}{n_{2}}y \right )^{-\frac{n_{1}+n_{2}}{2}}dy\\ &y=\frac{n_{2}}{n_{1}}\frac{t}{1-t},\left ( 1+\frac{n_{1}}{n_{2}}y \right )=\frac{1}{1-t}\\ =&\int_{0}^{1}\left ( \frac{n_{1}}{n_{2}} \right )^{-1}(\frac{t}{1-t})^{\frac{n_{1}}{2}+k-1}\left ( 1-t \right )^{\frac{n_{1}+n_{2}}{2}}\frac{n_{1}}{n_{2}}(1-t)^{-2}dt\\ =&\int_{0}^{1}t^{\frac{n_{1}}{2}+k-1}\left ( 1-t \right )^{\frac{n_{2}}{2}-k-1}dt\\ =&B(\frac{n_{1}}{2}+k,\frac{n_{2}}{2}-k) \end{aligned}

另，用上述结果可得f分布期望和方差为：

E(X)=\frac{n_{2}}{n_{2}-2}

D(X)=\frac{2n_{2}^{2}(n_{1}+n_{2}-2)}{n_{1}(n_{2}-2)^{2}(n_{2}-4)}

你可能感兴趣的:(概率论)

  • 人工智能-基础篇-2-什么是机器学习？（ML，监督学习，半监督学习，零监督学习，强化学习，深度学习，机器学习步骤等） weisian151 人工智能人工智能机器学习学习
    1、什么是机器学习？机器学习（MachineLearning,ML）是人工智能的一个分支，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析等数学理论。其核心目标是让计算机通过分析数据，自动学习规律并构建模型，从而对未知数据进行预测或决策，而无需依赖显式的程序指令。基本思想：通过数据驱动的方式，使系统能够从经验（数据）中改进性能，形成对数据模式的抽象化表达。基本概念：模型：模型是对现实世界现
  • 概率密度基本概念 Summer_Anny 概率论
    概率密度（ProbabilityDensity）是概率论中用于描述随机变量分布的一种方式，特别适用于连续随机变量。它并不是一个概率值，而是表示单位范围内的概率大小或“浓度”。更具体地说，概率密度表示在某个特定值附近，随机变量可能取到某个值的相对可能性。概率密度的几个关键点：概率密度与概率的关系：概率密度函数（PDF）本身并不能直接给出某个特定值发生的概率。因为对于连续随机变量，单一值的概率是零。然
  • 线性代数和c语言先学哪个,线性代数和哪个更有用？ 段丞博 线性代数和c语言先学哪个
    一、从数学与应用数学这个专业来分析下“线性代数”和“高等数学”这两块的内容，无论哪块知识在“考研究生数学科目中的考试”都会涉汲到的，而且有些专业的考试也包括概率论与数理统计这块知识。线性代数和哪个更有用?1、线性代数内容：行列式、矩阵、向量、线性方程组、特征值和特征向量、二次型。2、高等数学内容：函数·极限·连续、导数与微分、不定积分、定积分及广义积分、中值定理的证明、常微分方程、一元微积分的应用
  • ICBDDM2025：大数据与数字化管理前沿峰会 鸭鸭鸭进京赶烤 学术会议大数据图像处理计算机视觉AI编程人工智能机器人考研
    在选择大学专业时，可以先从自身兴趣、能力和职业规划出发，初步确定几个感兴趣的领域。然后结合外部环境因素，如专业前景、教育资源和就业情况等，对这些专业进行深入的分析和比较。大数据专业：是一个热门且前沿的学科领域，它涉及到数据的收集、存储、处理、分析和应用等多个方面。课程设置基础课程数学基础：高等数学、线性代数、概率论与数理统计等。这些课程为大数据分析提供了必要的数学工具，例如线性代数在机器学习算法中
  • 第九课：大白话教你朴素贝叶斯 顽强卖力 机器学习-深度学习-神经网络算法python大数据数据分析
    这节课咱们来聊聊朴素贝叶斯（NaiveBayes），这个算法名字听起来像是个“天真无邪的数学小天才”，但其实它是个超级实用的分类工具！我会用最接地气的方式，从定义讲到代码实战，保证你笑着学会，还能拿去忽悠朋友！一：朴素贝叶斯是啥？——当概率论遇上“天真”假设1.1定义：贝叶斯定理的“偷懒版”问题：你想判断一封邮件是不是垃圾邮件，或者一条评论是不是好评。贝叶斯定理（原版）：[P(A|B)=\frac
  • 贝叶斯算法：从概率推断到智能决策的基石 weixin_47233946 算法算法
    ##引言在人工智能与机器学习的蓬勃发展中，贝叶斯算法以其独特的概率推理方式和动态更新的特性，在垃圾邮件过滤、疾病诊断、推荐系统等关键领域展现出强大的应用价值。本文将从概率论基础出发，深入解析贝叶斯算法的核心思想及其实现方式，揭示这一统计学方法如何演变为现代智能系统的决策利器。---##一、贝叶斯定理：概率之门的钥匙###1.1基本公式表述贝叶斯定理的数学表达式揭示事件间的关联关系：$$P(A|B)
  • 清风数学建模个人笔记--模糊综合评价 fvdj0 数学建模笔记
    目录一、量二、分类三、模糊函数的三种表示方法四、应用：模糊综合评价（评判）一、量①确定性：经典数学（几何、代数）②不确定性：随机性（概率论、随机过程）灰性（灰色系统）模糊性（模糊数学）二、分类：偏小型：年轻、小、冷中间型：中年、中、暖偏大型：年老、大、热三、模糊函数的三种表示方法（1）模糊统计法（设计调查问卷，不推荐，主观性最弱）（2）借助已有的尺度（需要已有的指标，并能收集到数据）论域模糊集隶属
  • 【西瓜书】机器学习（周志华）学习问题记录 _linyu__ 基础知识机器学习周志华西瓜书
    简述西瓜书的鼎鼎大名早有耳闻，于是毫无疑问买来入门。写此文章的时候刚要做完第二章的练习题。在看的时候有一些感慨：需要一定的数理基础，尤其是概率论的内容。但是如果没学过也不建议直接去啃概率论，只要把相关的部分看看即可。周老师默认我们能力很强，所以有些地方说得不够详细，仅靠此书无法理解，需要自己另行查阅。有一些疑似谬误的地方，但是我自己能力较差，又苦于没有人佐证，所以并不敢说周老师一定错了。在看的过程
  • 数学中的泛函分析与算子理论 AI天才研究院 计算AI大模型应用入门实战与进阶ChatGPT实战大数据人工智能语言模型AILLMJavaPython架构设计AgentRPA计算AI大模型应用
    1.背景介绍1.1数学的发展与泛函分析的产生数学作为一门科学，自古以来就在不断地发展和演变。从最初的算术、几何，到后来的微积分、线性代数，再到现代的拓扑学、概率论等，数学的研究领域不断扩展。泛函分析作为一门现代数学的分支，起源于20世纪初，它主要研究无限维空间中的函数和算子，为许多现代科学和工程问题提供了理论基础。1.2泛函分析与算子理论的关系泛函分析与算子理论密切相关。泛函分析主要研究无限维空间
  • 【图像处理入门】8. 数学基础与优化：线性代数、概率与算法调优实战 小米玄戒Andrew 图像处理：从入门到专家图像处理线性代数算法python计算机视觉概率论算法调优
    摘要图像处理的核心离不开数学工具的支撑。本文将深入解析线性代数、概率论在图像领域的应用，包括矩阵变换与图像几何操作的关系、噪声模型的数学描述，以及遗传算法、粒子群优化等智能算法在参数调优中的实践。通过理论结合代码案例，帮助读者掌握从数学原理到工程优化的完整链路。一、线性代数：图像变换的数学基石1.矩阵运算与图像几何变换在图像处理入门3中，我们通过仿射变换矩阵实现图像平移、旋转与缩放。其本质是线性代
  • AI大模型从0到1记录学习 大模型技术之机器学习 day27-day60 Gsen2819 算法大模型人工智能人工智能学习机器学习
    机器学习概述机器学习（MachineLearning,ML）主要研究计算机系统对于特定任务的性能，逐步进行改善的算法和统计模型。通过输入海量训练数据对模型进行训练，使模型掌握数据所蕴含的潜在规律，进而对新输入的数据进行准确的分类或预测。机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸优化、算法复杂度理论等多门学科。人工智能、机器学习与深度学习人工智能（AI）是计算机科学的一个广泛领域，
  • 大数定律与中心极限定理：概率论的双子星 Algo-hx 概率论与数理统计概率论
    目录引言5大数定律与中心极限定理5.1大数定律：频率的稳定性5.1.1辛钦大数定律定理内容5.1.2伯努利大数定律定理内容5.1.3切比雪夫大数定律定理内容对比总结表5.2中心极限定理：正态分布的普适性5.2.1独立同分布情形定理内容图释5.2.2李雅普诺夫定理定理内容核心思想图释5.2.3棣莫弗-拉普拉斯定理定理内容应用条件图释对比总结表5.3定理对比：LLNvsCLT引言当随机现象的个体行为无
  • （十七）深度学习之线性代数：核心概念与应用解析 只有左边一个小酒窝 深度学习深度学习线性代数人工智能
    1线性代数在深度学习中的定位1.1深度学习的数学基础支柱线性代数是深度学习的核心数学工具之一，与微积分、概率论共同构成深度学习的理论基础。深度学习本质上是对高维数据的处理与建模，而线性代数提供了描述和操作高维空间中数据与变换的语言和方法。1.2从数据表示到模型运算的桥梁数据结构化表示：深度学习处理的图像、文本、音频等数据，通常被转化为向量、矩阵或张量（多维数组）。例如：图像：RGB图像可表示为三维
  • （详细介绍）什么是 Spherical Gaussian（球形高斯分布） 音程 数学数学
    文章目录什么是SphericalGaussian？几何意义：为什么叫“球形”？特点总结：应用场景举例：✅示例代码（Python）相关概念对比：SphericalGaussian（球形高斯分布）是概率论与统计学中一个非常常见且重要的概念，尤其在机器学习、信号处理、模式识别等领域有广泛应用。什么是SphericalGaussian？SphericalGaussianDistribution（球形高斯分
  • 贝叶斯原理：解锁不确定性的智慧钥匙（全网最详细） 富士达幸运星 贝叶斯原理人工智能机器学习
    在浩瀚的统计学与概率论海洋中，贝叶斯原理如同一盏明灯，照亮了我们在不确定性中前行的道路。它不仅仅是一种计算方法，更是一种深刻的思维方式，让我们能够基于有限的信息和先验知识，对未知事件做出更加合理的预测和判断。本文将带您一窥贝叶斯原理的奥秘，探索它如何在各个领域发光发热。一、贝叶斯原理的起源与核心概念起源贝叶斯原理得名于18世纪的英国数学家托马斯·贝叶斯（ThomasBayes），尽管他本人并未直接
  • 为什么计算机不用e进制，按道理说e进制难道不是最高效的吗？e进制理论上为何被认为信息编码更优，但实际却难以实现？ 前端
    在现代计算机科学中，二进制无疑是计算机体系结构的根基，这一选择深刻影响了计算机的设计、性能以及发展方向。然而，数字系统的底层进制理论却远远不止二进制一种可能性。从数学的角度来看，常用进制中有一个特殊的数——数学常数e（自然对数的底，约等于2.71828），它在无数数学和物理领域扮演着极其重要的角色。e的独特性质使得很多数学函数的表达变得简洁自然，且e在连续复利、概率论、信息论等领域都有着独特的优势
  • 【概率论】正态分布的由来——从大一同学的视角出发 应有光 基础知识概率论机器学习
    数学系大佬勿喷，本文以非数同学的视角出发0.启发与思考正态分布平时常常遇到，无论是在概率论中的“中心极限定理”，还是平时在学习ML中遇到的“高斯混合模型”，或者是在深度学习中，常常将一些数据假设为正态分布的情况。我们平时可能由于知到中心极限定理，因此默认正态分布是一个很好的分布。但是，这为什么不能是平均分布呢？二项分布呢？泊松分布？或者是其它抽样分布？接下来我们将简要探讨正态分布的由来：1.背景我
  • 【概率论与数理统计】第二章 随机变量及其分布(1) Arthur古德曼 概率论与数理统计概率论随机变量分布离散型连续型夏明亮
    第二章随机变量及其分布第一章种学习了随机现象、随机试验、随机事件等概念，讨论了随机事件的关系、运算以及概率；且只考虑了个别事件下的频率问题。接下来，进一步第需要建立随机试验结果与实数的对应关系，这类似于函数的映射，我们称之为随机变量，以便使用高等数学的方法来研究随机试验。1离散型随机变量1.1随机变量的概念随机变量的数学定义：**定义1：**设EEE为随机试验，Ω\OmegaΩ为其样本空间，若对于
  • 随机变量及其分布：概率论的量化核心 Algo-hx 概率论与数理统计概率论
    标题引言2随机变量及其分布2.1随机变量定义与分类2.2离散型随机变量：概率质量函数(PMF)概率分布律性质经典分布4.**各分布之间的关系**2.3分布函数(CDF)：统一描述工具定义性质离散型应用2.4连续型随机变量：概率密度函数(PDF)定义性质经典分布均匀分布指数分布正态分布2.5随机变量函数的分布问题：已知XXX分布，求Y=g(X)Y=g(X)Y=g(X)分布解法框架重要公式（当ggg严
  • 詹森不等式（Jensen’s Inequality）——EM算法的基础 phoenix@Capricornus 模式识别中的数学问题机器学习
    詹森不等式（Jensen’sInequality）是数学中一个非常重要的不等式，广泛应用于概率论、统计学、凸优化、信息论等领域。它基于凸函数和凹函数的性质。一、基本定义设函数fff是定义在区间III上的凸函数（convexfunction），且随机变量XXX的取值落在III内，期望存在，则有：E[f(X)]⩾f(E[X]){E}[f(X)]\geqslantf({E}[X])E[f(X)]⩾f(E
  • 机器学习与深度学习16-概率论和统计学01 my_q 机器学习与深度学习机器学习深度学习概率论
    目录前文回顾1.什么是概率论和统计学2.概率的基本概念3.什么是概率密度函数和累积分布函数4.均值、中位数与众数前文回顾上一篇文章地址：链接1.什么是概率论和统计学概率论和统计学是数学中重要的分支，用于研究随机事件和数据的分布、关联性以及不确定性。概率论是研究随机事件发生的可能性和规律的数学学科。它提供了一套工具和方法来描述和分析随机变量、随机过程以及他们之间的关系。概率论包括概率分布、随机变量、
  • Python概率论 麻辣小兔喵 Pythonpython概率论机器学习
    概率论是数学的一个分支，它研究随机事件的概率和统计规律。在Python中，有很多强大的概率统计库可以帮助我们进行概率计算和数据分析，比如NumPy、SciPy和Pandas等库。下面我将为您介绍一些基本的概率概念以及如何在Python中实现它们。1.概率的基本概念在概率论中，我们通常会用以下的符号表示：P(A)：表示事件A发生的概率，其取值范围在[0,1]之间。P(A|B)：表示在事件B发生的条件
  • C++概率论算法详解：理论基础与实践应用
    清言神力，创作奇迹。接受福利，做篇笔记。参考资料[0]概率论中均值、方差、标准差介绍及C++/OpenCV/Eigen的三种实现.https://blog.csdn.net/fengbingchun/article/details/73323475.[4]C++中的随机数及其在算法竞赛中的使用-博客园.https://www.cnblogs.com/cmy-blog/p/random.html.[
  • 我2025上岸大模型就靠它了，冲击大厂大模型岗位！大模型学习路线（2025最新）从零基础入门到精通_大模型学习路线 大模型老炮 学习人工智能程序员Agent大模型教学知识库大模型
    大模型学习路线图第一阶段：基础知识准备在这个阶段，您需要打下坚实的数学基础和编程基础，这是学习任何机器学习和深度学习技术所必需的。\1.数学基础线性代数：矩阵运算、向量空间、特征值与特征向量等。概率统计：随机变量、概率分布、贝叶斯定理等。微积分：梯度、偏导数、积分等。学习资料书籍：GilbertStrang，《线性代数及其应用》SheldonRoss，《概率论与随机过程》在线课程：KhanAcad
  • 神仙级大模型教程分享，不用感谢，请叫我活雷锋！大模型 学习路线非常详细_大模型学习路线（2025最新） 程序员辣条 学习人工智能大模型产品经理智能体大模型教程AI大模型
    大模型学习路线图第一阶段：基础知识准备在这个阶段，您需要打下坚实的数学基础和编程基础，这是学习任何机器学习和深度学习技术所必需的。1.数学基础线性代数：矩阵运算、向量空间、特征值与特征向量等。概率统计：随机变量、概率分布、贝叶斯定理等。微积分：梯度、偏导数、积分等。学习资料书籍：GilbertStrang，《线性代数及其应用》SheldonRoss，《概率论与随机过程》在线课程：KhanAcade
  • 最大似然估计(MLE)与最小二乘估计(LSE)的区别 江湖小妞 概率论
    最大似然估计与最小二乘估计的区别标签（空格分隔）：概率论与数理统计最小二乘估计对于最小二乘估计来说，最合理的参数估计量应该使得模型能最好地拟合样本数据，也就是估计值与观测值之差的平方和最小。设Q表示平方误差，Yi表示估计值，Ŷi表示观测值，即Q=∑ni=1(Yi−Ŷi)2最大似然估计对于最大似然估计来说，最合理的参数估计量应该使得从模型中抽取该n组样本的观测值的概率最大，也就是概率分布函数或者
  • 概率论的基本概念 Mr.魏（魏先生）
    概率论的起源与发展概率论产生于十六世纪十六世纪中叶，卡当在赌博时研究不输的方法1654年，德·美黑——“合理分配赌注问题”1657年，惠更斯——《论机会游戏的计算》1933年，柯尔莫哥洛夫——《概率论的基本概念》数理统计的历史1763年,贝叶斯贝叶斯方法1809年，高斯和勒让德——最小二乘法皮尔逊、戈赛特、费歇——频率曲线、多元分析、估计和方差分析概率论是数理统计学的基础，数理统计学是概率论的一种
  • 【概率论基本概念01】点估计 无水先生 概率模型统计学模型概率论
    一、说明关于概率和统计的学习，需要从根本上、原始概念中一点一点积累，这些基本概念的头绪特别多，一次性交待它们的面有困难，我们只能从点上入手，将点与点的关系连成面，最后完成系统学习的目的，这是一个长期任务。二、关于估计的基本概念2.1我们将学习哪些关于“估计”内容我们将主要指向如下学习内容：学习如何找到总体参数的最大似然估计量。学习如何找到总体参数的矩估计方法。学习如何检查估计量对于特定参数是否无偏
  • 《算法导论(第4版)》阅读笔记：p1178-p1212 算法
    《算法导论(第4版)》学习第25天，p1178-p1212总结，总计35页。一、技术总结1.AppendixC:CountingandProbability附录C介绍了计数理论(如：和规则，积规则，串，排列，组合，二项式系数，二项式界等)，概率理论(如：样本空间，事件，概率论公理，离散概率分布，连续均匀概率分布，贝叶斯定理等)，几何分布与二项分布，二项分布的尾部探究。第5章会时不时的涉及这些内容，
  • matlab实现朴素贝叶斯可视化,模式识别（七）：MATLAB 实现朴素贝叶斯分类器 哈哈哈哈哈哈哈哈鸽
    本系列文章由云端暮雪编辑，转载请注明出处多谢合作！基础介绍今天介绍一种简单高效的分类器——朴素贝叶斯分类器(NaiveBayesClassifier)。相信学过概率论的同学对贝叶斯这个名字应该不会感到陌生，因为在概率论中有一条重要的公式，就是以贝叶斯命名的，这就是“贝叶斯公式”：贝叶斯分类器就是基于这条公式发展起来的，之所以这里还加上了朴素二字，是因为该分类器对各类的分布做了一个假设，即不同类的数
  • java责任链模式 3213213333332132 java责任链模式村民告县长
    责任链模式，通常就是一个请求从最低级开始往上层层的请求，当在某一层满足条件时，请求将被处理，当请求到最高层仍未满足时，则请求不会被处理。 就是一个请求在这个链条的责任范围内，会被相应的处理，如果超出链条的责任范围外，请求不会被相应的处理。 下面代码模拟这样的效果： 创建一个政府抽象类,方便所有的具体政府部门继承它。 package 责任链模式; /** *
  • linux、mysql、nginx、tomcat 性能参数优化 ronin47
    一、linux 系统内核参数 /etc/sysctl.conf文件常用参数 net.core.netdev_max_backlog = 32768 #允许送到队列的数据包的最大数目 net.core.rmem_max = 8388608 #SOCKET读缓存区大小 net.core.wmem_max = 8388608 #SOCKET写缓存区大
  • php命令行界面 dcj3sjt126com PHPcli
    常用选项 php -v php -i PHP安装的有关信息 php -h 访问帮助文件 php -m 列出编译到当前PHP安装的所有模块 执行一段代码 php -r 'echo "hello, world!";' php -r 'echo "Hello, World!\n";' php -r '$ts = filemtime("
  • Filter&Session 171815164 session
    Filter HttpServletRequest requ = (HttpServletRequest) req; HttpSession session = requ.getSession(); if (session.getAttribute("admin") == null) { PrintWriter out = res.ge
  • 连接池与Spring,Hibernate结合 g21121 Hibernate
            前几篇关于Java连接池的介绍都是基于Java应用的，而我们常用的场景是与Spring和ORM框架结合，下面就利用实例学习一下这方面的配置。         1.下载相关内容：     &nb
  • [简单]mybatis判断数字类型 53873039oycg mybatis
           昨天同事反馈mybatis保存不了int类型的属性,一直报错，错误信息如下:       Caused by: java.lang.NumberFormatException: For input string: "null" at sun.mis
  • 项目启动时或者启动后ava.lang.OutOfMemoryError: PermGen space 程序员是怎么炼成的 eclipsejvmtomcatcatalina.sheclipse.ini
       在启动比较大的项目时，因为存在大量的jsp页面，所以在编译的时候会生成很多的.class文件，.class文件是都会被加载到jvm的方法区中，如果要加载的class文件很多，就会出现方法区溢出异常 java.lang.OutOfMemoryError: PermGen space.     解决办法是点击eclipse里的tomcat，在
  • 我的crm小结 aijuans crm
    各种原因吧，crm今天才完了。主要是接触了几个新技术： Struts2、poi、ibatis这几个都是以前的项目中用过的。 Jsf、tapestry是这次新接触的，都是界面层的框架，用起来也不难。思路和struts不太一样，传说比较简单方便。不过个人感觉还是struts用着顺手啊，当然springmvc也很顺手，不知道是因为习惯还是什么。jsf和tapestry应用的时候需要知道他们的标签、主
  • spring里配置使用hibernate的二级缓存几步 antonyup_2006 javaspringHibernatexmlcache
    ．在spring的配置文件中 applicationContent.xml，hibernate部分加入 xml 代码 <prop key="hibernate.cache.provider_class">org.hibernate.cache.EhCacheProvider</prop> <prop key="hi
  • JAVA基础面试题 百合不是茶 抽象实现接口String类接口继承抽象类继承实体类自定义异常
    /*   * 栈（stack）：主要保存基本类型（或者叫内置类型）（char、byte、short、   *int、long、 float、double、boolean）和对象的引用，数据可以共享，速度仅次于   * 寄存器（register），快于堆。堆（heap）：用于存储对象。   */  &
  • 让sqlmap文件 "继承" 起来 bijian1013 javaibatissqlmap
            多个项目中使用ibatis , 和数据库表对应的 sqlmap文件（增删改查等基本语句)，dao, pojo 都是由工具自动生成的, 现在将这些自动生成的文件放在一个单独的工程中，其它项目工程中通过jar包来引用 ，并通过"继承"为基础的sqlmap文件，dao,pojo 添加新的方法来满足项
  • 精通Oracle10编程SQL(13)开发触发器 bijian1013 oracle数据库plsql
    /* *开发触发器 */ --得到日期是周几 select to_char(sysdate+4,'DY','nls_date_language=AMERICAN') from dual; select to_char(sysdate,'DY','nls_date_language=AMERICAN') from dual; --建立BEFORE语句触发器 CREATE O
  • 【EhCache三】EhCache查询 bit1129 ehcache
    本文介绍EhCache查询缓存中数据，EhCache提供了类似Hibernate的查询API，可以按照给定的条件进行查询。   要对EhCache进行查询，需要在ehcache.xml中设定要查询的属性   数据准备 @Before public void setUp() { //加载EhCache配置文件 Inpu
  • CXF框架入门实例 白糖_ springWeb框架webserviceservlet
    CXF是apache旗下的开源框架，由Celtix + XFire这两门经典的框架合成，是一套非常流行的web service框架。 它提供了JAX-WS的全面支持，并且可以根据实际项目的需要，采用代码优先（Code First）或者 WSDL 优先（WSDL First）来轻松地实现 Web Services 的发布和使用，同时它能与spring进行完美结合。 在apache cxf官网提供
  • angular.equals boyitech AngularJSAngularJS APIAnguarJS 中文APIangular.equals
    angular.equals   描述: 比较两个值或者两个对象是不是 相等。还支持值的类型，正则表达式和数组的比较。   两个值或对象被认为是 相等的前提条件是以下的情况至少能满足一项： 两个值或者对象能通过=== （恒等） 的比较 两个值或者对象是同样类型，并且他们的属性都能通过angular
  • java-腾讯暑期实习生-输入一个数组A[1,2,...n]，求输入B，使得数组B中的第i个数字B[i]=A[0]*A[1]*...*A[i-1]*A[i+1] bylijinnan java
    这道题的具体思路请参看 何海涛的微博：http://weibo.com/zhedahht import java.math.BigInteger; import java.util.Arrays; public class CreateBFromATencent { /** * 题目：输入一个数组A[1,2,...n]，求输入B，使得数组B中的第i个数字B[i]=A
  • FastDFS 的安装和配置 修订版 Chen.H linuxfastDFS分布式文件系统
    FastDFS Home:http://code.google.com/p/fastdfs/ 1. 安装 http://code.google.com/p/fastdfs/wiki/Setup http://hi.baidu.com/leolance/blog/item/3c273327978ae55f93580703.html 安装libevent (对libevent的版本要求为1.4.
  • [强人工智能]拓扑扫描与自适应构造器 comsci 人工智能
          当我们面对一个有限拓扑网络的时候,在对已知的拓扑结构进行分析之后,发现在连通点之后,还存在若干个子网络,且这些网络的结构是未知的,数据库中并未存在这些网络的拓扑结构数据....这个时候,我们该怎么办呢?       那么,现在我们必须设计新的模块和代码包来处理上面的问题
  • oracle merge into的用法 daizj oraclesqlmerget into
    Oracle中merge into的使用 http://blog.csdn.net/yuzhic/article/details/1896878 http://blog.csdn.net/macle2010/article/details/5980965 该命令使用一条语句从一个或者多个数据源中完成对表的更新和插入数据. ORACLE 9i 中，使用此命令必须同时指定UPDATE 和INSE
  • 不适合使用Hadoop的场景 datamachine hadoop
    转自：http://dev.yesky.com/296/35381296.shtml。 　　Hadoop通常被认定是能够帮助你解决所有问题的唯一方案。 当人们提到“大数据”或是“数据分析”等相关问题的时候，会听到脱口而出的回答：Hadoop!  实际上Hadoop被设计和建造出来，是用来解决一系列特定问题的。对某些问题来说，Hadoop至多算是一个不好的选择，对另一些问题来说，选择Ha
  • YII findAll的用法 dcj3sjt126com yii
    看文档比较糊涂，其实挺简单的： $predictions=Prediction::model()->findAll("uid=:uid",array(":uid"=>10));   第一个参数是选择条件：”uid=10″。其中:uid是一个占位符，在后面的array(“:uid”=>10)对齐进行了赋值； 更完善的查询需要
  • vim 常用 NERDTree 快捷键 dcj3sjt126com vim
    下面给大家整理了一些vim NERDTree的常用快捷键了，这里几乎包括了所有的快捷键了，希望文章对各位会带来帮助。 切换工作台和目录 ctrl + w + h 光标 focus 左侧树形目录ctrl + w + l 光标 focus 右侧文件显示窗口ctrl + w + w 光标自动在左右侧窗口切换ctrl + w + r 移动当前窗口的布局位置 o 在已有窗口中打开文件、目录或书签，并跳
  • Java把目录下的文件打印出来 蕃薯耀 列出目录下的文件文件夹下面的文件目录下的文件
    Java把目录下的文件打印出来 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> 蕃薯耀 2015年7月11日 11:02:
  • linux远程桌面----VNCServer与rdesktop hanqunfeng Desktop
    windows远程桌面到linux，需要在linux上安装vncserver，并开启vnc服务，同时需要在windows下使用vnc-viewer访问Linux。vncserver同时支持linux远程桌面到linux。   linux远程桌面到windows，需要在linux上安装rdesktop，同时开启windows的远程桌面访问。   下面分别介绍，以windo
  • guava中的join和split功能 jackyrong java
    guava库中，包含了很好的join和split的功能，例子如下： 1） 将LIST转换为使用字符串连接的字符串    List<String> names = Lists.newArrayList("John", "Jane", "Adam", "Tom");
  • Web开发技术十年发展历程 lampcy androidWeb浏览器html5
    回顾web开发技术这十年发展历程： Ajax 03年的时候我上六年级，那时候网吧刚在小县城的角落萌生。传奇，大话西游第一代网游一时风靡。我抱着试一试的心态给了网吧老板两块钱想申请个号玩玩，然后接下来的一个小时我一直在，注，册，账，号。 彼时网吧用的512k的带宽，注册的时候，填了一堆信息，提交，页面跳转，嘣，”您填写的信息有误，请重填”。然后跳转回注册页面，以此循环。我现在时常想，如果当时a
  • 架构师之mima-----------------mina的非NIO控制IOBuffer(说得比较好) nannan408 buffer
    1.前言。   如题。 2.代码。   IoService IoService是一个接口，有两种实现：IoAcceptor和IoConnector；其中IoAcceptor是针对Server端的实现，IoConnector是针对Client端的实现；IoService的职责包括： 1、监听器管理 2、IoHandler 3、IoSession
  • ORA-00054:resource busy and acquire with NOWAIT specified Everyday都不同 oraclesessionLock
    [Oracle] 今天对一个数据量很大的表进行操作时，出现如题所示的异常。此时表明数据库的事务处于“忙”的状态，而且被lock了，所以必须先关闭占用的session。   step1，查看被lock的session：   select t2.username, t2.sid, t2.serial#, t2.logon_time from v$locked_obj
  • javascript学习笔记 tntxia JavaScript
      javascript里面有6种基本类型的值:number、string、boolean、object、function和undefined。number：就是数字值，包括整数、小数、NaN、正负无穷。string:字符串类型、单双引号引起来的内容。boolean:true、false object:表示所有的javascript对象，不用多说function:我们熟悉的方法，也就是
  • Java enum的用法详解 xieke90 enum枚举
    Java中枚举实现的分析：     示例：  public static enum SEVERITY{ INFO,WARN,ERROR }     enum很像特殊的class，实际上enum声明定义的类型就是一个类。 而这些类都是类库中Enum类的子类      (java.l
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他