1计算密度函数值 打开本章数据文件，dist_norm.sav。计算变量x1的不同观测值所对应的分布函数图 选择转换→计算变量，得到计算变量对话框 在数据视图创建新的变量 density01，通过图表构建程序绘制 dist01的折线图 选择转换→计算变量，创建新的density01，其近似的密度函数 ...
分类：
其他好文 时间：
2019-11-21 21:26:12
阅读次数：
64
对于离散变量的随机电量，他们的所有可能取值是一颗一一列举的。打开本章数据文件。计算变量x一的不同观测值所对应的分布函数值选择转换计算变量。得到计算变量对话框。在数据视图中将生成一个变量，通过图表构建绘制的折线图设置引入。所示得到的折线图如所示。怎么转换计算变量之后，你也新变量取近似密度，还说我知道数 ...
分类：
其他好文 时间：
2019-11-21 20:09:55
阅读次数：
64
1.1 随机试验 1.2 样本空间 1.3 频率与概率 1.4 古典概型 1.5 条件概率 1.6 独立性 2.1 随机变量 2.2 离散型随机变量及其分布 2.3 随机变量的分布函数 2.4 连续性随机变量及其密度函数 3.1 二维随机变量 ...
分类：
其他好文 时间：
2019-10-29 23:20:19
阅读次数：
74
摘要：randn，standard_normal, normal这三个函数都可以返回随机正态分布的数组， 它们是从特殊到一般的形式。normal这个函数更加通用，且名字好记，建议平时使用这个函数生成正态分布。 这三个函数都可以返回随机正态分布（高斯Gaussian 分布）的数组，都可以从numpy. ...
分类：
其他好文 时间：
2019-10-21 20:34:52
阅读次数：
299
一、功能 产生拉普拉斯分布的随机数。 二、方法简介 1、产生随机变量的组合法 将分布函数$F(x)$分解为若干个较为简单的子分布函数的线性组合 $$ F(x)=\sum_{i=1}^{K}p_{i}F_{i}(x) $$ 其中 $ p_{i} 0 \ (\forall i) $ ，且 $ \sum_ ...
分类：
其他好文 时间：
2019-10-07 19:51:20
阅读次数：
406
题意：有一棵含有n个结点(n<=300)的根树，树上每个结点上的权值是从[0,ai](ai<=1e9)区间内随机的一个实数，问这棵树能形成一个最小堆的概率。 由于结点取值范围是1e9而且是实数，所以枚举权值dp自然是行不通的了，但可以从函数的角度上考虑。 首先需要了解两个概念： CDF:分布函数，记 ...
分类：
其他好文 时间：
2019-08-22 12:58:37
阅读次数：
111
指数族分布是一大类分布，基本形式为： 分布函数框架中的h(x),η(θ),T(x)和A(θ)并不是任意定义的，每一部分都有其特殊的意义。 θ是自然参数(natural parameter)，通常是一个实数； h(x)是底层观测值（underlying measure）； T(x)是充分统计量（suf ...
分类：
其他好文 时间：
2019-07-31 21:46:17
阅读次数：
472
1.用seaborn的distplot（）函数绘制直方图。参数kde = True时会把分布曲线也画出来。 如下代码所示是绘制标准正态分布的分布图 2.对于两组变量关系，可以用散点图画出他们的分布。函数是jointplot（）。 如下代码是绘出二维正态分布的散点图 data是一个长度为1000的nd ...
分类：
其他好文 时间：
2019-07-30 00:30:55
阅读次数：
116
在此记录下常见的机器学习面试问题。 判别式模型和生成式模型的区别？ 判别方法：由数据直接学习决策函数 Y = f（X），或者由条件分布概率 P（Y|X）作为预测模型，即判别模型。 生成方法：由数据学习联合概率密度分布函数 P（X,Y）,然后求出条件概率分布P(Y|X)作为预测的模型，即生成模型。 由 ...
分类：
其他好文 时间：
2019-07-09 19:24:27
阅读次数：
97
