随笔分类 - 学科竞赛--数学
摘要: from pixiv from AGPC ’25 Simulator and Simulation QEMU 并不是一个 cycle‑accurate timing simulator,而是一个 功能级(functional)ISA 模拟/动态二进制翻译(dynamic binary transla
        阅读全文
from pixiv from AGPC ’25 Simulator and Simulation QEMU 并不是一个 cycle‑accurate timing simulator,而是一个 功能级(functional)ISA 模拟/动态二进制翻译(dynamic binary transla
        阅读全文
                 from pixiv from AGPC ’25 Simulator and Simulation QEMU 并不是一个 cycle‑accurate timing simulator,而是一个 功能级(functional)ISA 模拟/动态二进制翻译(dynamic binary transla
        阅读全文
from pixiv from AGPC ’25 Simulator and Simulation QEMU 并不是一个 cycle‑accurate timing simulator,而是一个 功能级(functional)ISA 模拟/动态二进制翻译(dynamic binary transla
        阅读全文
摘要: from pixiv Cellular Automata 参考文章: 元胞自动机的实现与应用 这篇文章将CA的实现给出,具体实现细节可以看: Python 实现基于元胞自动机的生命游戏 澳洲变燠洲,考拉成烤拉!澳大利亚山火为什么难以控制? 贝叶斯定理/推断的运用 贝叶斯推断及其互联网应用(一):定理
        阅读全文
from pixiv Cellular Automata 参考文章: 元胞自动机的实现与应用 这篇文章将CA的实现给出,具体实现细节可以看: Python 实现基于元胞自动机的生命游戏 澳洲变燠洲,考拉成烤拉!澳大利亚山火为什么难以控制? 贝叶斯定理/推断的运用 贝叶斯推断及其互联网应用(一):定理
        阅读全文
                 from pixiv Cellular Automata 参考文章: 元胞自动机的实现与应用 这篇文章将CA的实现给出,具体实现细节可以看: Python 实现基于元胞自动机的生命游戏 澳洲变燠洲,考拉成烤拉!澳大利亚山火为什么难以控制? 贝叶斯定理/推断的运用 贝叶斯推断及其互联网应用(一):定理
        阅读全文
from pixiv Cellular Automata 参考文章: 元胞自动机的实现与应用 这篇文章将CA的实现给出,具体实现细节可以看: Python 实现基于元胞自动机的生命游戏 澳洲变燠洲,考拉成烤拉!澳大利亚山火为什么难以控制? 贝叶斯定理/推断的运用 贝叶斯推断及其互联网应用(一):定理
        阅读全文
摘要: 对于异常值的发现和处理: 好博客< 所以对于异常值,我们看要用在哪些地方,然后再看下如果用异常值是否会严重影响结果 如果会则将其看作缺失值来对待,进行插值,拟合等方法进行填补
        阅读全文
对于异常值的发现和处理: 好博客< 所以对于异常值,我们看要用在哪些地方,然后再看下如果用异常值是否会严重影响结果 如果会则将其看作缺失值来对待,进行插值,拟合等方法进行填补
        阅读全文
                 对于异常值的发现和处理: 好博客< 所以对于异常值,我们看要用在哪些地方,然后再看下如果用异常值是否会严重影响结果 如果会则将其看作缺失值来对待,进行插值,拟合等方法进行填补
        阅读全文
对于异常值的发现和处理: 好博客< 所以对于异常值,我们看要用在哪些地方,然后再看下如果用异常值是否会严重影响结果 如果会则将其看作缺失值来对待,进行插值,拟合等方法进行填补
        阅读全文
摘要: 回归分析的目的: 回归分析 数据的分类以及数据从哪里来? 线性回归原理部分: 如果想要做回归,那么最好样本数量>=自变量个数+1 所谓一元线性回归就是只要一个自变量,多元线性回归有多个自变量 这里一元线性回归与拟合有点相似 是因为回归的目的之一就是通过x来预测y 总之:在一元线性回归中,为了使更接近
        阅读全文
回归分析的目的: 回归分析 数据的分类以及数据从哪里来? 线性回归原理部分: 如果想要做回归,那么最好样本数量>=自变量个数+1 所谓一元线性回归就是只要一个自变量,多元线性回归有多个自变量 这里一元线性回归与拟合有点相似 是因为回归的目的之一就是通过x来预测y 总之:在一元线性回归中,为了使更接近
        阅读全文
                 回归分析的目的: 回归分析 数据的分类以及数据从哪里来? 线性回归原理部分: 如果想要做回归,那么最好样本数量>=自变量个数+1 所谓一元线性回归就是只要一个自变量,多元线性回归有多个自变量 这里一元线性回归与拟合有点相似 是因为回归的目的之一就是通过x来预测y 总之:在一元线性回归中,为了使更接近
        阅读全文
回归分析的目的: 回归分析 数据的分类以及数据从哪里来? 线性回归原理部分: 如果想要做回归,那么最好样本数量>=自变量个数+1 所谓一元线性回归就是只要一个自变量,多元线性回归有多个自变量 这里一元线性回归与拟合有点相似 是因为回归的目的之一就是通过x来预测y 总之:在一元线性回归中,为了使更接近
        阅读全文
摘要: 皮尔逊person相关系数 总体皮尔逊person相关系数 样本皮尔逊相关系数 使用皮尔逊person相关系数的前提和注意事项 这个也就告诉我们,如果我们想要运用皮尔逊相关系数我们就需要首先确定其线性相关性 只有在确定了线性相关性后,相关系数才有意义 如何确定? 画出两两之间的散点图,然后根据散点图
        阅读全文
皮尔逊person相关系数 总体皮尔逊person相关系数 样本皮尔逊相关系数 使用皮尔逊person相关系数的前提和注意事项 这个也就告诉我们,如果我们想要运用皮尔逊相关系数我们就需要首先确定其线性相关性 只有在确定了线性相关性后,相关系数才有意义 如何确定? 画出两两之间的散点图,然后根据散点图
        阅读全文
                 皮尔逊person相关系数 总体皮尔逊person相关系数 样本皮尔逊相关系数 使用皮尔逊person相关系数的前提和注意事项 这个也就告诉我们,如果我们想要运用皮尔逊相关系数我们就需要首先确定其线性相关性 只有在确定了线性相关性后,相关系数才有意义 如何确定? 画出两两之间的散点图,然后根据散点图
        阅读全文
皮尔逊person相关系数 总体皮尔逊person相关系数 样本皮尔逊相关系数 使用皮尔逊person相关系数的前提和注意事项 这个也就告诉我们,如果我们想要运用皮尔逊相关系数我们就需要首先确定其线性相关性 只有在确定了线性相关性后,相关系数才有意义 如何确定? 画出两两之间的散点图,然后根据散点图
        阅读全文
摘要: 好博客< 假设:为例推断总体的某些未知特征,提出某些关于总体的假设 检验:对作出的假设合理性进行检验评估 《假设》 注意这个只是一般情况,做题最重要的还是看哪个条件带了= =一定要在原假设这边 比如: 这里的H0: u<= (u0=225) 但是如: 这里的H0: u>= (u0=1000) 因为这
        阅读全文
好博客< 假设:为例推断总体的某些未知特征,提出某些关于总体的假设 检验:对作出的假设合理性进行检验评估 《假设》 注意这个只是一般情况,做题最重要的还是看哪个条件带了= =一定要在原假设这边 比如: 这里的H0: u<= (u0=225) 但是如: 这里的H0: u>= (u0=1000) 因为这
        阅读全文
                 好博客< 假设:为例推断总体的某些未知特征,提出某些关于总体的假设 检验:对作出的假设合理性进行检验评估 《假设》 注意这个只是一般情况,做题最重要的还是看哪个条件带了= =一定要在原假设这边 比如: 这里的H0: u<= (u0=225) 但是如: 这里的H0: u>= (u0=1000) 因为这
        阅读全文
好博客< 假设:为例推断总体的某些未知特征,提出某些关于总体的假设 检验:对作出的假设合理性进行检验评估 《假设》 注意这个只是一般情况,做题最重要的还是看哪个条件带了= =一定要在原假设这边 比如: 这里的H0: u<= (u0=225) 但是如: 这里的H0: u>= (u0=1000) 因为这
        阅读全文
摘要: 总体分布的参数往往是未知的,需要样本进行估计 在参数估计中一般 用样本均值估计总体均值 即用-x 代替 E(x) 用方差估计总体方差 即用1/n*∑(Xi--X)^2 代替 D(x) 解题方式是: 我们一般都能用E(X)和 D(X)将未知参数表示出来 然后用样本的均值和方差来代替 E(X) 和 D(
        阅读全文
总体分布的参数往往是未知的,需要样本进行估计 在参数估计中一般 用样本均值估计总体均值 即用-x 代替 E(x) 用方差估计总体方差 即用1/n*∑(Xi--X)^2 代替 D(x) 解题方式是: 我们一般都能用E(X)和 D(X)将未知参数表示出来 然后用样本的均值和方差来代替 E(X) 和 D(
        阅读全文
                 总体分布的参数往往是未知的,需要样本进行估计 在参数估计中一般 用样本均值估计总体均值 即用-x 代替 E(x) 用方差估计总体方差 即用1/n*∑(Xi--X)^2 代替 D(x) 解题方式是: 我们一般都能用E(X)和 D(X)将未知参数表示出来 然后用样本的均值和方差来代替 E(X) 和 D(
        阅读全文
总体分布的参数往往是未知的,需要样本进行估计 在参数估计中一般 用样本均值估计总体均值 即用-x 代替 E(x) 用方差估计总体方差 即用1/n*∑(Xi--X)^2 代替 D(x) 解题方式是: 我们一般都能用E(X)和 D(X)将未知参数表示出来 然后用样本的均值和方差来代替 E(X) 和 D(
        阅读全文
摘要: 《随机样本》 总体X 对总体X进行n次重复的,独立的观察,得到: X1,X2,X3....,Xn 注意Xi是随机变量,被称为样本 ,而且Xi与X同分布,Xi之间相互独立 当(X1,X2,....,Xn)有确定的值后为(x1,x2,....,xn) 这个被称为样本值 《统计量》 常见统计量: 《重要定
        阅读全文
《随机样本》 总体X 对总体X进行n次重复的,独立的观察,得到: X1,X2,X3....,Xn 注意Xi是随机变量,被称为样本 ,而且Xi与X同分布,Xi之间相互独立 当(X1,X2,....,Xn)有确定的值后为(x1,x2,....,xn) 这个被称为样本值 《统计量》 常见统计量: 《重要定
        阅读全文
                 《随机样本》 总体X 对总体X进行n次重复的,独立的观察,得到: X1,X2,X3....,Xn 注意Xi是随机变量,被称为样本 ,而且Xi与X同分布,Xi之间相互独立 当(X1,X2,....,Xn)有确定的值后为(x1,x2,....,xn) 这个被称为样本值 《统计量》 常见统计量: 《重要定
        阅读全文
《随机样本》 总体X 对总体X进行n次重复的,独立的观察,得到: X1,X2,X3....,Xn 注意Xi是随机变量,被称为样本 ,而且Xi与X同分布,Xi之间相互独立 当(X1,X2,....,Xn)有确定的值后为(x1,x2,....,xn) 这个被称为样本值 《统计量》 常见统计量: 《重要定
        阅读全文
摘要: 知道的上述,那么下面这些题应该也会了: 《中心极限定理》 由前面我们可以知道: 正态分布完全可由它的数学期望和方差所确定 对于随机变量X1,X2 ..... Xn,他们相互独立,服从同一分布 且具有数学期望(均值)E(Xi)= u , 方差 D(Xi)= σ^2 那么 ∑Xi ~ N(nu,n σ^
        阅读全文
知道的上述,那么下面这些题应该也会了: 《中心极限定理》 由前面我们可以知道: 正态分布完全可由它的数学期望和方差所确定 对于随机变量X1,X2 ..... Xn,他们相互独立,服从同一分布 且具有数学期望(均值)E(Xi)= u , 方差 D(Xi)= σ^2 那么 ∑Xi ~ N(nu,n σ^
        阅读全文
                 知道的上述,那么下面这些题应该也会了: 《中心极限定理》 由前面我们可以知道: 正态分布完全可由它的数学期望和方差所确定 对于随机变量X1,X2 ..... Xn,他们相互独立,服从同一分布 且具有数学期望(均值)E(Xi)= u , 方差 D(Xi)= σ^2 那么 ∑Xi ~ N(nu,n σ^
        阅读全文
知道的上述,那么下面这些题应该也会了: 《中心极限定理》 由前面我们可以知道: 正态分布完全可由它的数学期望和方差所确定 对于随机变量X1,X2 ..... Xn,他们相互独立,服从同一分布 且具有数学期望(均值)E(Xi)= u , 方差 D(Xi)= σ^2 那么 ∑Xi ~ N(nu,n σ^
        阅读全文
摘要: 《数学期望》 《离散型随机变量 数学期望的算法》 《泊松分布的数学期望》 其实是麦克劳林公式得来: 《连续型随机变量 数学期望的算法》 《方差》 方差是用来描述随机变量 与 其均值 的偏离程度 偏离程度越小,即方差越小,则越稳定 D(x)或 Var (X) 记为方差 = E [ (X-E(X))^2
        阅读全文
《数学期望》 《离散型随机变量 数学期望的算法》 《泊松分布的数学期望》 其实是麦克劳林公式得来: 《连续型随机变量 数学期望的算法》 《方差》 方差是用来描述随机变量 与 其均值 的偏离程度 偏离程度越小,即方差越小,则越稳定 D(x)或 Var (X) 记为方差 = E [ (X-E(X))^2
        阅读全文
                 《数学期望》 《离散型随机变量 数学期望的算法》 《泊松分布的数学期望》 其实是麦克劳林公式得来: 《连续型随机变量 数学期望的算法》 《方差》 方差是用来描述随机变量 与 其均值 的偏离程度 偏离程度越小,即方差越小,则越稳定 D(x)或 Var (X) 记为方差 = E [ (X-E(X))^2
        阅读全文
《数学期望》 《离散型随机变量 数学期望的算法》 《泊松分布的数学期望》 其实是麦克劳林公式得来: 《连续型随机变量 数学期望的算法》 《方差》 方差是用来描述随机变量 与 其均值 的偏离程度 偏离程度越小,即方差越小,则越稳定 D(x)或 Var (X) 记为方差 = E [ (X-E(X))^2
        阅读全文
摘要: 《二维随机变量》 注意 在分布函数中 P{X<=x 且 Y<=y} 而且有性质: 这个性质在求概率密度的未知数时有用 这个公式结合一下二维前缀和算法就能很好明白了 《二维离散型随机变量》 注意一下分布律的求法,其中的概率记住:X与Y是 且 《二维连续型随机变量》 具体练习看书P65 《高数知识》 到
        阅读全文
《二维随机变量》 注意 在分布函数中 P{X<=x 且 Y<=y} 而且有性质: 这个性质在求概率密度的未知数时有用 这个公式结合一下二维前缀和算法就能很好明白了 《二维离散型随机变量》 注意一下分布律的求法,其中的概率记住:X与Y是 且 《二维连续型随机变量》 具体练习看书P65 《高数知识》 到
        阅读全文
                 《二维随机变量》 注意 在分布函数中 P{X<=x 且 Y<=y} 而且有性质: 这个性质在求概率密度的未知数时有用 这个公式结合一下二维前缀和算法就能很好明白了 《二维离散型随机变量》 注意一下分布律的求法,其中的概率记住:X与Y是 且 《二维连续型随机变量》 具体练习看书P65 《高数知识》 到
        阅读全文
《二维随机变量》 注意 在分布函数中 P{X<=x 且 Y<=y} 而且有性质: 这个性质在求概率密度的未知数时有用 这个公式结合一下二维前缀和算法就能很好明白了 《二维离散型随机变量》 注意一下分布律的求法,其中的概率记住:X与Y是 且 《二维连续型随机变量》 具体练习看书P65 《高数知识》 到
        阅读全文
摘要: 《随机变量》 在随机试验中的样本空间S 其中的每一个事件e,都可以在我们的定义下对应一个实数 则X=X(e)为随机变量 如:我们将一枚硬币抛2次,记X为2次抛得到硬币为正面的次数 则这个时候,每一个事件都可以对应于一个实数 符合函数的定义 类似如图: 因为随机变量的取值随试验的结果而定,所以有一定的
        阅读全文
《随机变量》 在随机试验中的样本空间S 其中的每一个事件e,都可以在我们的定义下对应一个实数 则X=X(e)为随机变量 如:我们将一枚硬币抛2次,记X为2次抛得到硬币为正面的次数 则这个时候,每一个事件都可以对应于一个实数 符合函数的定义 类似如图: 因为随机变量的取值随试验的结果而定,所以有一定的
        阅读全文
                 《随机变量》 在随机试验中的样本空间S 其中的每一个事件e,都可以在我们的定义下对应一个实数 则X=X(e)为随机变量 如:我们将一枚硬币抛2次,记X为2次抛得到硬币为正面的次数 则这个时候,每一个事件都可以对应于一个实数 符合函数的定义 类似如图: 因为随机变量的取值随试验的结果而定,所以有一定的
        阅读全文
《随机变量》 在随机试验中的样本空间S 其中的每一个事件e,都可以在我们的定义下对应一个实数 则X=X(e)为随机变量 如:我们将一枚硬币抛2次,记X为2次抛得到硬币为正面的次数 则这个时候,每一个事件都可以对应于一个实数 符合函数的定义 类似如图: 因为随机变量的取值随试验的结果而定,所以有一定的
        阅读全文
摘要: 《基本概念》 在一次随机试验中可能会发生的事件A的概率为? 在描述中经常会看到这样的语句 随机试验: 1.相同条件下可重复 2.结果可能不只一个,能事先明确全部的结果 3.在实验之前不知道结果 的试验 事件: 试验E的样本空间S的子集(一个事件可能包括多个样本点(结果)) 样本空间: 试验E全部结果
        阅读全文
《基本概念》 在一次随机试验中可能会发生的事件A的概率为? 在描述中经常会看到这样的语句 随机试验: 1.相同条件下可重复 2.结果可能不只一个,能事先明确全部的结果 3.在实验之前不知道结果 的试验 事件: 试验E的样本空间S的子集(一个事件可能包括多个样本点(结果)) 样本空间: 试验E全部结果
        阅读全文
                 《基本概念》 在一次随机试验中可能会发生的事件A的概率为? 在描述中经常会看到这样的语句 随机试验: 1.相同条件下可重复 2.结果可能不只一个,能事先明确全部的结果 3.在实验之前不知道结果 的试验 事件: 试验E的样本空间S的子集(一个事件可能包括多个样本点(结果)) 样本空间: 试验E全部结果
        阅读全文
《基本概念》 在一次随机试验中可能会发生的事件A的概率为? 在描述中经常会看到这样的语句 随机试验: 1.相同条件下可重复 2.结果可能不只一个,能事先明确全部的结果 3.在实验之前不知道结果 的试验 事件: 试验E的样本空间S的子集(一个事件可能包括多个样本点(结果)) 样本空间: 试验E全部结果
        阅读全文
摘要:B. Eastern Exhibition 明显这里我们可以将x与y拆开来考虑 即问题变成了:给定1~n个数a1~n,我们要找出一个数num 使得 |num-a1|+|num-a2|+....+|num-an|最小 答案num就是a1~an中的中位数 如果a1~an中有中位数ai和aj; 那么num
        阅读全文
                
摘要:大部分都是参考此博客:https://www.zhihu.com/column/c_1458888988497420288 《扩展欧几里得定理》 《欧几里得算法》 gcd(a,b)=gcd(b,a%b); 《欧拉函数》 《欧拉定理》 《小费马定理》 《卢卡斯定理》 《组合数》 上面的求组合数在模p下
        阅读全文
                
摘要:《基础博弈思考方向》 题目链接:https://ac.nowcoder.com/acm/contest/21592/H 博客链接:https://blog.csdn.net/qq_51354600/article/details/120940918
        阅读全文
                
摘要:好博客:https://www.cnblogs.com/xvzichen/p/15203357.html https://zhuanlan.zhihu.com/p/499839696
        阅读全文
                
摘要:1 #include <iostream> 2 #include <algorithm> 3 #include <cstring> 4 #include <cmath> 5 using namespace std; 6 const double ac = 1e-8; 7 const int N = 
        阅读全文
                
摘要:《贝祖定理》 简单来说是: 整数 a,b ,gcd(a,b)=d; 则 存在x,y使ax+by=d成立 证明: 《扩展欧几里得算法》 好博客:https://blog.csdn.net/syz201558503103/article/details/76512144 https://blog.csd
        阅读全文
                

 浙公网安备 33010602011771号
浙公网安备 33010602011771号