<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[AlwaysSpring的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/AlwaysSpring</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; AlwaysSpring]]></copyright><item><title><![CDATA[SQL-创建表格及更改表格]]></title><link>https://blog.youkuaiyun.com/AlwaysSpring/article/details/132711810</link><guid>https://blog.youkuaiyun.com/AlwaysSpring/article/details/132711810</guid><author>AlwaysSpring</author><pubDate>Wed, 06 Sep 2023 11:47:09 +0800</pubDate><description><![CDATA[CREATE, INSERT, DELECT, UPDATE
创建数据表












数据删除


插入数据


更新数据


]]></description><category></category></item><item><title><![CDATA[SQL-Join]]></title><link>https://blog.youkuaiyun.com/AlwaysSpring/article/details/132584001</link><guid>https://blog.youkuaiyun.com/AlwaysSpring/article/details/132584001</guid><author>AlwaysSpring</author><pubDate>Wed, 30 Aug 2023 16:16:15 +0800</pubDate><description><![CDATA[保存LEFT JOIN 左边表格中的所有信息，从右边表格中提取左边表格中user_id 的user_name, 且将order list 重新命名为t1， user_list 重新命名为t2。]]></description><category></category></item><item><title><![CDATA[SQL-子查询]]></title><link>https://blog.youkuaiyun.com/AlwaysSpring/article/details/132583812</link><guid>https://blog.youkuaiyun.com/AlwaysSpring/article/details/132583812</guid><author>AlwaysSpring</author><pubDate>Wed, 30 Aug 2023 15:36:11 +0800</pubDate><description><![CDATA[作为另一个SQL语句的数据来源或者判断条件。]]></description><category></category></item><item><title><![CDATA[SQL-basics]]></title><link>https://blog.youkuaiyun.com/AlwaysSpring/article/details/132583196</link><guid>https://blog.youkuaiyun.com/AlwaysSpring/article/details/132583196</guid><author>AlwaysSpring</author><pubDate>Wed, 30 Aug 2023 15:21:45 +0800</pubDate><description><![CDATA[SELECT *) < 4。]]></description><category></category></item><item><title><![CDATA[SQL语言-01]]></title><link>https://blog.youkuaiyun.com/AlwaysSpring/article/details/132582490</link><guid>https://blog.youkuaiyun.com/AlwaysSpring/article/details/132582490</guid><author>AlwaysSpring</author><pubDate>Wed, 30 Aug 2023 15:04:24 +0800</pubDate><description><![CDATA[SQL Structured Query Language  的简单介绍。]]></description><category></category></item><item><title><![CDATA[数据思维笔记整理]]></title><link>https://blog.youkuaiyun.com/AlwaysSpring/article/details/128010410</link><guid>https://blog.youkuaiyun.com/AlwaysSpring/article/details/128010410</guid><author>AlwaysSpring</author><pubDate>Thu, 24 Nov 2022 13:56:20 +0800</pubDate><description><![CDATA[人人必会的数据认知技能
]]></description><category></category></item><item><title><![CDATA[协方差及相关性]]></title><link>https://blog.youkuaiyun.com/AlwaysSpring/article/details/122103207</link><guid>https://blog.youkuaiyun.com/AlwaysSpring/article/details/122103207</guid><author>AlwaysSpring</author><pubDate>Thu, 23 Dec 2021 17:00:56 +0800</pubDate><description><![CDATA[协方差（covariance）
用于衡量两个随机变量的联合变化程度；
如果两个随机变量不是独立变量，两个变量会存在一定程度的关联性，


如下图所示，如果协方差大于零，说明两个随机变量是正相关，如果协方差小于零，说明两个随机变量是负相关。如果两个随机变量没有强的相关性，那协方差接近零。如果两个随机变量存在很强的相关性，协方差也有可能接近零。

如下图所示，如果随机变量X和Y协方差很大，那这两个随机变量一定会存在很强的相关性吗？

计算协方差的另一种形式


如果两个变量是独立的，那协方差为零，如果协方差为零]]></description><category></category></item><item><title><![CDATA[联合分布及其随机变量]]></title><link>https://blog.youkuaiyun.com/AlwaysSpring/article/details/122101817</link><guid>https://blog.youkuaiyun.com/AlwaysSpring/article/details/122101817</guid><author>AlwaysSpring</author><pubDate>Thu, 23 Dec 2021 11:03:17 +0800</pubDate><description><![CDATA[联合分布（joint distribution）定义
对于两个随机变量X,Y，联合分布就是X和Y同时发生的概率分布。
离散随机变量的联合分布

连续型随机变量的联合分布

联合分布实例



联合分布的计算
下面的例子中，两个随机变量是独立的


...]]></description><category></category></item><item><title><![CDATA[几种连续型随机变量分布总结]]></title><link>https://blog.youkuaiyun.com/AlwaysSpring/article/details/122058332</link><guid>https://blog.youkuaiyun.com/AlwaysSpring/article/details/122058332</guid><author>AlwaysSpring</author><pubDate>Tue, 21 Dec 2021 11:40:48 +0800</pubDate><description><![CDATA[简单描述了均匀分布，正态分布以及指数分布
均匀分布
1、均匀分布的密度函数
The density function, of uniformly distributed continuous random variable W, is f(w) = 1/(b−a),ifa ≤ w ≤ b;
while f(w) = 0, for all other values of w.

2、均匀分布的一些函数
计算概率密度函数
dunif(x, min = 0, max = 1, log = FALSE)
计算累积密]]></description><category></category></item><item><title><![CDATA[正态及标准正态分布]]></title><link>https://blog.youkuaiyun.com/AlwaysSpring/article/details/121977514</link><guid>https://blog.youkuaiyun.com/AlwaysSpring/article/details/121977514</guid><author>AlwaysSpring</author><pubDate>Thu, 16 Dec 2021 18:01:34 +0800</pubDate><description><![CDATA[正态分布，也叫做高斯分布（Gaussian distribution）
正态分布（normal distribution）
1、描述的是连续型随机变量
2、如果一个连续型随机变量的probability density function f(x)符合下面的等式，就说明这个随机变量符合正态分布。

标准正态分布（standard normal distribution）
如果一个正态分布的随机变量的均值为0, 方差为1，那么这个分布就是标准正态分布。

标准正态分布的一些特性

标准正态分布的例子


把正态]]></description><category></category></item><item><title><![CDATA[泊松随机变量及指数随机变量]]></title><link>https://blog.youkuaiyun.com/AlwaysSpring/article/details/121968289</link><guid>https://blog.youkuaiyun.com/AlwaysSpring/article/details/121968289</guid><author>AlwaysSpring</author><pubDate>Thu, 16 Dec 2021 11:22:13 +0800</pubDate><description><![CDATA[泊松随机变量(poisson random variables）是离散型随机变量
指数随机变量 (exponential random variables) 是连续型随机变量
泊松随机变量
该变量描述的是一个事件，在指定时间范围内，可能发生的次数（这里涉及到三个元素，分别是时间，事件，以及事件发生的可能次数）
泊松分布(poisson distribution)
1、描述在一定时间范围内，一个事件发生的次数的概率分布
2、泊松分布的概率质量函数（probability mass function），期望及方]]></description><category></category></item><item><title><![CDATA[连续型随机变量]]></title><link>https://blog.youkuaiyun.com/AlwaysSpring/article/details/121961694</link><guid>https://blog.youkuaiyun.com/AlwaysSpring/article/details/121961694</guid><author>AlwaysSpring</author><pubDate>Thu, 16 Dec 2021 09:36:37 +0800</pubDate><description><![CDATA[连续型随机变量：continuous random variables
即在一定区间内变量取值有无限个，或数值无法一一列举出来
如下面的例子

概率密度函数（probability density function, pdf）:
在数学理论中，一个连续型随机变量的概率密度函数，是一个描述这个随机变量落在某一个确定的取值附近的可能性的函数。
概率密度函数的一些特性

累积分布函数（cumulative distribution function, cdf）:又叫做分布函数，是概率密度函数的积分，能完成描述一个]]></description><category></category></item><item><title><![CDATA[积分及导数]]></title><link>https://blog.youkuaiyun.com/AlwaysSpring/article/details/121955945</link><guid>https://blog.youkuaiyun.com/AlwaysSpring/article/details/121955945</guid><author>AlwaysSpring</author><pubDate>Wed, 15 Dec 2021 17:46:39 +0800</pubDate><description><![CDATA[只是为了个人温习所用，有些表达并不是很严谨
积分(integral)
几何意义：函数所代表的曲线（或者在一个函数期间[a,b]）与x坐标轴所围成的图形面积；求该图形的面积，就是把曲线与x坐标轴所围成的图形切分成无数个矩形，求无数个矩形的面积的总和就是曲线与x坐标坐标轴所围成的面积。

定义：积分是微积分学与数学分析里的一个核心概念，通常分为定积分与不定积分两种。直观地说，对于一个给定的正实值函数f(x), f(x)在一个实数区间[a,b]上的定积分，为


函数极限（limit）
极限（Limit）：可以用]]></description><category></category></item><item><title><![CDATA[常见离散型随机变量比较]]></title><link>https://blog.youkuaiyun.com/AlwaysSpring/article/details/121760338</link><guid>https://blog.youkuaiyun.com/AlwaysSpring/article/details/121760338</guid><author>AlwaysSpring</author><pubDate>Tue, 07 Dec 2021 08:09:25 +0800</pubDate><description><![CDATA[1、X~Bern(p), 表明X的取值符合伯努利分布，只有1（成功）和0（失败）两种结果，其中成功的概率为P。伯努利分布的X期望值为P，方差为P(1-P）;
2、X~Geom(p),表明X是几何随机变量，符合几何分布，其中成功的概率为P, 该分布主要是探索n次独立尝试，直到第一次尝试成功的概率，每一次独立试验都是伯努利分布。几何分布的X期望值为1/P,方差为(1-P)/P^2;
3、X~Bin(n,p)，表明X是二项式随机变量，符合二项式分布，其中每次试验成功的概率为P,该分布主要是探索在n次独立尝试中，有]]></description><category></category></item><item><title><![CDATA[二项式和负二项式随机变量]]></title><link>https://blog.youkuaiyun.com/AlwaysSpring/article/details/121739261</link><guid>https://blog.youkuaiyun.com/AlwaysSpring/article/details/121739261</guid><author>AlwaysSpring</author><pubDate>Tue, 07 Dec 2021 07:17:29 +0800</pubDate><description><![CDATA[二项式随机变量（binomial random variables）
二项式随机变量具有的特性
1、n 次尝试
2、每一次尝试的结果均是伯努利试验，结果为成功或失败
3、每次尝试是独立的，也就是每次试验的结果不会影响其他试验的结果


几何离散型随机变量，其实就是n次伯努利试验，期望值为np，方差为np(1-p)


负二项式随机变量（Negative binomial random variables）



负二项式随机变量与负二项式随机变量的相关性


...]]></description><category></category></item><item><title><![CDATA[期望及方差]]></title><link>https://blog.youkuaiyun.com/AlwaysSpring/article/details/121707055</link><guid>https://blog.youkuaiyun.com/AlwaysSpring/article/details/121707055</guid><author>AlwaysSpring</author><pubDate>Mon, 06 Dec 2021 07:44:04 +0800</pubDate><description><![CDATA[Expectation and variables （期望与方差）
问题：需要匹配多少个肾才最终可以匹配成功？

如果是伯努利随机变量，那期望值为P

如果是几何随机变量，期望值为1/P

方差：V(X), 衡量随机变量与均值的距离。

伯努利及几何随机变量的方差

例子


...]]></description><category></category></item><item><title><![CDATA[伯努利及几何离散型随机变量]]></title><link>https://blog.youkuaiyun.com/AlwaysSpring/article/details/121690489</link><guid>https://blog.youkuaiyun.com/AlwaysSpring/article/details/121690489</guid><author>AlwaysSpring</author><pubDate>Fri, 03 Dec 2021 20:56:39 +0800</pubDate><description><![CDATA[Bernoulli and Geometric discrete random variables
伯努利随机变量（Bernoulli rv），有时候叫做binary rv, 是指只有0或1的两种可能结果的任何随机变量

几何随机变量（Geometric rv）


如何判断一个变量是否是几何随机变量，需要达到以下几个条件



...]]></description><category></category></item><item><title><![CDATA[离散型随机变量-Discrete Random Variables]]></title><link>https://blog.youkuaiyun.com/AlwaysSpring/article/details/121668914</link><guid>https://blog.youkuaiyun.com/AlwaysSpring/article/details/121668914</guid><author>AlwaysSpring</author><pubDate>Thu, 02 Dec 2021 07:59:56 +0800</pubDate><description><![CDATA[这里主要讲了离散型随机变量的概率质量函数以及累计分布函数
随机变量(random variables, rv)有两大类：离散型（discrete）和连续型(continuous)，对于前者，表示变量取值是有限个或者可数无穷个
一般来说，以靠近字母表末端的大写字母来定义随机变量，如（X,Y）,而随机变量的具体值为小写字母，如x,y
概率质量函数（probability of mass function, pmf）: 是离散随机变量在各特定取值上的概率
具体例子

累积分布函数（Cumulative Distr]]></description><category></category></item><item><title><![CDATA[独立事件-independent event]]></title><link>https://blog.youkuaiyun.com/AlwaysSpring/article/details/121327146</link><guid>https://blog.youkuaiyun.com/AlwaysSpring/article/details/121327146</guid><author>AlwaysSpring</author><pubDate>Mon, 15 Nov 2021 08:04:04 +0800</pubDate><description><![CDATA[学习整理笔记，为方便以后温习所用
独立事件
知道事件A及B，如果知道一个事件A发生，并不影响另一个事件B的发生的概率，那么事件A及B即为独立事件。
对于独立事件A及B, A与B同时发生的概率等于两者单独发生的概率的乘积


实例如下



...]]></description><category></category></item><item><title><![CDATA[Conditional Probability and Bayes Theorem]]></title><link>https://blog.youkuaiyun.com/AlwaysSpring/article/details/121327106</link><guid>https://blog.youkuaiyun.com/AlwaysSpring/article/details/121327106</guid><author>AlwaysSpring</author><pubDate>Mon, 15 Nov 2021 07:48:12 +0800</pubDate><description><![CDATA[主要讲了条件概率，贝叶斯定理以及全概率定理
条件概率（conditional probability）
假如事件A，B来自于同一个样品空间，知道事件B发生的前提下，事件A发生的概率，即为条件概率P(A/B). The probability of event A given that event B occured.
实例


贝叶斯定理（Bayes Theorem）
个人理解总结
贝叶斯定理是由条件概率推理而来，两者求的都是条件概率P（A/B），方程式为除法，分母皆为P(B)，不同的部分为分子的表达式

]]></description><category></category></item></channel></rss>