最近在工作中，遇到进行相关分析的问题，查找各种资料相关资料有两个方向：相关系数及相关指数。特记下用于以后查询 相关系数：又叫简单相关系数或线性相关系数，一般用字母r表示，用来度量两个变量间的线性关系。公式： 相关指数：又叫可决系数、决定系数、判定系数、测定系数、可决指数，一般用R²表示，表示的是两个变量之间共同方差的比例。 相关系数与相关指数关系：相关指数是相关系数的二次幂。在曲线拟合中，相关系数多用于线性拟合的评估，决定系数用于非线性拟合的评
近日，中国电子技术标准化研究院基于2万多家制造企业生产运行数据，研究发布了《智能制造发展指数报告（2021）》，对国内制造业智能化发展情况进行了系统分析和全面展现，多维度展现制造业在设计、生产、物流、销售、服务各环节的关键指标变化情况，直观地反映了2021年制造业的智能制造发展进程，刻画出一幅“中国制造业智能制造发展数据地图”。点击文末【阅读原文】免费获取报告全文以下内容摘录自《报告》《智能制造发展指数报告（2021）》基于《智能制造能力成熟度模型》国家标准的应用分析，结合智能制造评估评价公共服务平台20000多家制造企业数据，综合调研发布目前我国智能制造发展现状和态势，调研内容仅供参考。一、
一、《中国区域创新能力评价报告》2002-2021年《中国区域创新能力报告》旨在对中国各省、直辖市、自治区的创新能力做一个客观、动态和全面的评价。该报告通过大量的数字和科学的分析框架，对中国区域创新总的能力做了一个较全面的分析，并对各省、直辖市、自治区的创新逐一做了分析，是一本研究中国技术创新国情、了解中国区域创新能力的多样性、进行区域创新能力比较的重要著作，是政府和企业进行技术创新决策的重要参考读物。 二、中国区域创新能力总、分指标效用值2001-2020数据年份：2001-2020数据范围：全国31个省份数据来源：中国区域创新能力评价报告指标说明：区域创新能力评价体系包括5个一级指标、20
1.指数分布两种定义：1.1λe−x/λ\frac{1}{\lambda}e^{-x/\lambda}λ1e−x/λ2.λe−λx\lambdae^{-\lambdax}λe−λx1.1指数分布的第一种定义1.1.1概率密度函数（PDF）第一种指数分布的概率密度函数定义：1.1.2均值和方差计算均值和方差例子：1.1.3爱尔朗分布服从指数分布的随机变量之和服从爱尔朗分布例子：n=2n=2n=2，通过卷积公式计算两个随机变量之和的PDF当nnn较大时，参数为λ\lambdaλ和nnn的爱尔朗分布的PDF应该近似于参数为nλn\lambdanλ且方差为nλ2n\lambda^2nλ2的正态分布的
前言 叶面积指数精度是正确预测产量的重要参数之一。同时，还有那么多疑问，如何才能正确？以及如何使用最有效的方法计算叶面积指数（LAI）？什么是最佳LAI？哪些估算叶面积指数精度的方法比较好？ 本文为初学者做了简要介绍，并在文章末尾附了两种估算LAI的方法的代码。一种为基于PROSAIL模型进行反演，另一种为SNAP软件进行LAI批处理算法，可以支持landsat8与哨兵二号影像。一、为什么需要叶面积指数？ 这是植物科学和作物研究的基石问题。为什么叶面积指数如此重要？这个索引的知识价值是多少？ 答案和往常一样简单。叶面积指数（或LAI）是两个值之间的比例——绿叶量和土壤量。换句话说，它有
理论知识参考自时间序列分析预测实战之指数平滑法-知乎(zhihu.com)SPSS操作可以对照我之前的博客(3条消息)时间序列ARIMA模型_m0_52124992的博客-CSDN博客一、理论知识1、指数平滑法的基本公式：，其中St--第t期的预测值（或指数平滑值）；yt--第t期的实际值；St−1--第t-1期的预测值（或指数平滑值）；a--平滑常数，其取值范围为[0,1]；简单来说就是：任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均，也可以理解为下一期数据的预测值与本期的实际值和上一期的预测值相关.2、一次指数平滑：当时间序列无明显的趋势变化，可用一次指数平滑预测。3、二
1.伽马分布是一个连续概率分布，具有两个参数α\alphaα和λ\lambdaλ，记为Gamma(α,λ)\text{Gamma}(\alpha,\lambda)Gamma(α,λ)。伽马分布的概率密度函数为：f(x;α,λ)=λαxα−1e−λxΓ(α),x>0,α>0,λ>0,f(x;\alpha,\lambda)=\frac{\lambda^{\alpha}x^{\alpha-1}e^{-\lambdax}}{\Gamma(\alpha)},\quadx>0,\alpha>0,\lambda>0,f(x;α,λ)=Γ(α)λαxα−1e−λx,x>0,α>0,λ>0,其中Γ(α)\Ga
目标【基于Excel降水和蒸散数据计算SPEI】【基于GTiff栅格降水和蒸散数据计算SPEI】环境系统：Window10+(X64)Python版本：3.8.8+gma版本：1.0.10+gma安装和详细功能帮助见：地理与气象分析库函数gma.climet.SPEI(PRE,PET,Axis=None,Scale=1,Periodicity=12)功能：【标准化降水蒸散指数】。基于Log-Logistic分布计算标准化降水蒸散指数。参数： PRE:array。降水量（mm）。 PET:array。潜在蒸散量（mm）。可选参数： Axis=int。计算轴。如果不设置（None），多维数据会将所
目标【基于Excel降水和蒸散数据计算SPEI】【基于GTiff栅格降水和蒸散数据计算SPEI】环境系统：Window10+(X64)Python版本：3.8.8+gma版本：1.0.10+gma安装和详细功能帮助见：地理与气象分析库函数gma.climet.SPEI(PRE,PET,Axis=None,Scale=1,Periodicity=12)功能：【标准化降水蒸散指数】。基于Log-Logistic分布计算标准化降水蒸散指数。参数： PRE:array。降水量（mm）。 PET:array。潜在蒸散量（mm）。可选参数： Axis=int。计算轴。如果不设置（None），多维数据会将所
一、问题与挑战从图中可以看到，从17年开始，vivo的机器规模、服务数量都有很大的增长。在机器规模方面，从17年到22年大概是增长了五倍的左右，在服务数量方面也是基本上增长了十几倍。在规模增长的情况下，挑战和复杂度肯定随之上升，在vivo比较典型的挑战主要分为变更挑战和故障挑战。1、变更挑战变更中还是存在着或多或少的手工变更场景；我们的单次的发布时间是比较长的；存在很多的业务大量迁移的场景；谷歌SRE有这样一个概念：70%的故障是由变更引起的。对应到vivo也确实是存在这种情况，变更对线上稳定性确实存在很大的影响。2、故障挑战机房级故障风险（大小公司都会遇到，光纤挖断或机房内部故障等）；业务快
