1【数理知识】向量数乘，内积，外积，matlab代码实现2【数理知识】矩阵普通乘积，哈达玛积，克罗内克积，点乘，点积，叉乘，matlab代码实现文章目录1.向量基本形式2.向量的数乘3.向量的内积4.向量的外积Ref1.向量基本形式形如(a1a2⋮an)\left(\begin{matrix}a_1\\a_2\\\vdots\\a_n\\\end{matrix}\right)a1a2⋮an的形式称之为向量。2.向量的数乘指用一个数乘以向量中的每个元素b∗(a1a2⋮an)=(a1a2⋮an)∗b=(a1∗ba2∗b⋮an∗b)\begin{aligned}b*\left(\begi
在排队论中，我们经常见到上面三种分布，即泊松分布、指数分布和爱尔朗分布。我们详细整理一下。1.泊松分布在我们的日常生活中，大量的事件发生是有其固定频率的。就比如下面的例子：某医院平均每小时出生3个婴儿某公司平均每10分钟接到1个电话某超市平均每天销售4包xx牌奶粉某网站平均每分钟有2次访问我们可以预估上述事件的总数，但是没法知道具体的发生时间。就比如，我们已知平均每小时出生3个婴儿，请问下一个小时，会出生几个？ 而整理的泊松分布就是表述这种概率发生时间的,简言之，泊松分布就是描述某段时间内，事件具体的发生概率。 上面的公式中，等号的左边，P表示概率，N表示某种函数关系，t表示时间，n表示数量，
一、随机变量设E是一个随机试验，S为样本空间，样本空间的任意样本点e可以通过特定的对应法则X，使得每个样本点都有与之对应的数对应，则称X=X（e）为随机变量二、分布函数分布函数：设X为随机变量，x是任意实数，则事件{Xx}为随机变量X的分布函数，记为F（x）即：F（x）=P（Xx）（1）几何意义：（2）某点处的概率：P（a）=P（Xa）-P（X性质：（1）非负性：0F（x）1（2）规范性：F（）=1；F（-）=0（3）单调不减函数（4）右连续性例：随机变量的分布函数F（x）=a+ x>0;F(x)=c x0三、离散型随机变量及其分布 离散型随机变量：X的取值为有限个或者无限可
前文回顾：数理统计的基本概念文章目录二、统计量的分布2.1统计的基本原理2.2标准正态分布N(0,1)N(0,1)N(0,1)2.3χ2(n)\chi^2(n)χ2(n)分布2.4t(n)t(n)t(n)分布2.5F(n,m)F(n,m)F(n,m)分布三、正态总体的抽样分布3.1定理一：Xˉ−μσ/n∼N(0,1)\frac{\bar{X}-\mu}{\sigma/\sqrt{n}}\simN(0,1)σ/nXˉ−μ∼N(0,1)（σ\sigmaσ已知）3.1.1μ⇐Xˉ\mu\Leftarrow\bar{X}μ⇐Xˉ分布3.1.2p⇐k/np\Leftarrowk/np⇐k/n分布3.
目录计算条件概率计算概率（放回与不放回）生成随机数算法LinearCongruentialMethod判断是否是fullperiodUniformity(testoffrequency)1.Chi-Squaretestmethodreminderexample2.Kolmogorov-SminovtestmethodexampleIndependence(testofautocorrelation)RunstestAcceptance-rejectionmethodmethod较好理解版methodexample方法1：建议函数使用指数分布方法2：双指数分布生成正态分布方法3：使用Accept
目录前言第一章：随机变量及其概率考点1.由四大公式求概率知识铺垫：总结：题目1描述：解题思路：类似题：题目2描述：解题思路：类似题：题目3描述：解题思路：类似题：题目4描述：解题思路：类似题： 考点2.古典概型求概率知识铺垫：总结：题目描述：解题思路：类似题：考点3.全概率公式和贝叶斯公式知识铺垫：总结：题目1描述：解题思路：类似题： 题目2描述：解题思路：类似题：考点4.伯努利模型求概率知识铺垫：总结：题目描述：解题思路：类似题：第二章：一位随机变量及其分布考点1.离散型随机变量求分布律知识铺垫：总结：题目描述：解题思路：类似题：考点2.利用常见的离散型分布求概率知识铺垫：总结：题目描述：
概率论和数理统计学科来源基本概念事件间的关系频率与概率频率概率条件概率将随机现象引入数学基本概念正态分布标准正态分布随机变量的数字特征来源数字特征学科来源自然界的现象分为两类，一类是确定现象，如正负电荷的吸引；一类是随机现象，如抛硬币出现正负。研究后发现，随机现象也有统计规律性。基本概念随机试验随机现象（通过随机试验，来研究随机现象。）样本空间样本点随机事件（特定情况下，样本空间的一个子集。）事件，随机事件的简称事件发生基本事件（单样本子集）必然事件10.不可能事件事件间的关系事件A和事件B包含相等和事件，并集积事件，交集差事件，差集互不相容，互斥逆事件，对立事件频率与概率频率n次等多次试验下
contents1.引言2.什么是斯皮尔曼相关系数基本原理计算方法值的范围和解释应用场景3.python应用案例案例：阅读习惯与写作技能评分的相关性分析数据构造Python代码结果解释1.引言让我用一个简单的方式来解释斯皮尔曼相关系数的计算方法。想象你和你的朋友们在玩一个游戏，比如赛跑。在比赛结束后，每个人都根据跑得快慢得到一个排名，跑得最快的得第一名，其次是第二名，以此类推。现在，假设我们还知道每个人在学校的成绩排名。我们想知道，跑步的快慢和学校成绩好坏是否有关系。也就是说，跑得快的人是不是在学校也学得好，或者跑得慢的人是不是学习也不那么好。斯皮尔曼相关系数就是帮助我们找出这种关系的一个工具
1.简述 计算概率分布律及密度函数值matlab直接提供了通用的计算概率密度函数值的函数，它们是pdf和namepdf函数，使用方式如下：Y=pdf(‘name’，K，A，B)或者：namepdf(K，A，B)上述函数表示返回在X=K处、参数为A、B、C的概率值或密度值，对于不同的分布，参数个数是不同；name为分布函数名，使用时需要按照对应分布进行改动。函数名总结如下表：name的取值 函数说明‘beta’或‘Beta’ Beta分布‘bino’或‘Binomial’ 二项分布‘chi2’或‘Chisquare’ 卡方分布‘exp’或‘Exponential’ 指数
目录一.概率论部分随机事件和概率1.古典概型2.几何概型3.事件的概率4.事件的独立性5.条件概率6.全概率公式7.贝叶斯公式二.数理统计部分离散型1.一维离散型求分布律2.一维离散型求期望，方差3.二维离散型求分布律4.二维离散型求边缘分布律连续型一维连续型随机变量一维连续型求F一维连续型已知F求f一维连续型求F一维连续型求期望，方差参考资料来自B站“猴博士爱讲课系列”这里一.概率论部分随机事件和概率1.古典概型2.几何概型3.事件的概率4.事件的独立性5.条件概率6.全概率公式7.贝叶斯公式二.数理统计部分|连续与离散离散型1.一维离散型求分布律**注意：**分布律的另外一种写法2.一维离
