参数点估计背景：研究统计量的性质和评价一个统计推断的优良性，完全取决于其抽样分布的性质统计推断的基本问题（1）参数估计问题：总体X的分布函数的形式已知，但它的一个或多个参数为未知，需要借助于X的样本来估计它们（2）假设检验问题：总体X的分布函数的形式完全未知，或只知其形式，但不知其参数，为了推断总体的某些未知特性，提出某些关于总体的假设参数估计问题实现过程：假定总体分...

估计量的优良准则前提：评价一个估计量的好坏，不能仅仅依据一次试验的结果，而必须由多次试验结果来衡量。因为估计量是样本的函数，是随机变量。因此，由不同的观测结果，就会求得不同的参数估计值。所以一个好的估计，应在多次试验中体现出优良性。常用的几条标准：无偏性有效性相合性（一）无偏性：背景：估计量是随机变量，对于不同的样本值会得到不同的估计值。我们希望估计...

问题：在已有的账户下成功安装上matlab软件，但是无法运行，或者运行时出现错误。Error one解决方式：需要修改用户目录下的.bashrc文件，设置好路径，修改方式为vim ~/.bashrc修改后，需运行source ~/.bashrcError two解决方式：指定使用docker_128集群，而非默认的work集群Error Three解决方式：指定使用docker_128集群，而非默

function [x, y]=imp_euler(f, a, b, y0, h)% 隐式欧拉格式% f是带求函数的一阶导形式% a，b分别是积分上下限% y0 是初始条件y（0）% h是步长s = (b - a) / h; % 求步数X = zeros(1, s+1);Y = zeros(1, s+1);X = a:h:b;Y(1) = y0;for k = 1:sk1 = f(X(k), Y(

function T=simpson(f_name, a, b, n)% f_name为要求的定函数y=f(x)所在的程序文件名% a为积分下限% b为积分上限% n为积分区间[a,b]划分成小区间的等份数h = (b-a) / n;x = a + (0:n) * h;f = feval(f_name, x);N = length(f) - 1;if N == 1fprintf('Data has

模型评估与模型选择当损失函数给定时，基于损失函数的模型的训练误差(training error)和模型的测试误差(test error)就自然成为学习方法评估的标准.训练误差的大小，对判定给定的问题是不是一个容易学习的问题是有意义的，但本质上不重要。测试误差反映了学习方法对未知的测试数据集的预测能力，是学习中的重要概念，显然，给定两种学习方法，测试误差小的方法具有更好的预测能力，是更有效的方法..

随机向量函数的分布背景：当随机变量X1,X2,...,XnX_1,X_2,...,X_nX1​,X2​,...,Xn​的联合分布已知时，如何求出它们的函数Yi=gi(X1,X2,...,Xn),i=1,2,...,mY_i=g_i(X_1,X_2,...,X_n),i=1,2,...,mYi​=gi​(X1​,X2​,...,Xn​),i=1,2,...,m的联合分布离散型分布的情形：...

随机变量的独立性两随机变量独立的定义（各种情况）：两事件A，B独立的定义：若有P(AB)=P(A)P(B)P(AB)=P(A)P(B)P(AB)=P(A)P(B)则称事件A，B独立。设X，Y是两个随机变量，若对任意的x，y，有P(X≤x,Y≤y)=P(X≤x)P(Y≤y)P(X\leq x,Y\leq y)=P(X\leq x)P(Y\leq y)P(X≤x,Y...

全概率公式和贝叶斯公式两者实质：是加法公式和乘法公式的综合运用加法公式P(A+B)=P(A)+P(B)P(A+B)=P(A)+P(B)P(A+B)=P(A)+P(B)，A、B互斥乘法公式P(AB)=P(A)P(B∣A), P(A)>0P(AB)=P(A)P(B|A),\space P(A)>0P(AB)=P(A)P(B∣A), P(A)>0...

联合分布和边缘分布一维随机变量X与二维随机变量（X，Y）（及以上）比较二维离散型随机变量（X，Y），联合分布X和Y的联合概率函数为P(X=xi,Y=yj)=piji,j=1,2,...P(X=x_i,Y=y_j)=p_{ij} \quad i,j=1,2,...P(X=xi​,Y=yj​)=pij​i,j=1,2,...{pij≥0, i,j=1,2,......