【概率分布】t分布详解

三大抽样分布:卡方分布,t分布和F分布 阅读详情

概率分布之t分布详解(原理+公式+实战+应用)

本文面向本科、研究生阶段学习者,用通俗易懂的语言讲解t分布(Student’s t-distribution) 的核心概念、数学原理、关键性质,结合Python实现分布可视化与独立样本t检验实战,帮助大家掌握小样本统计推断的核心工具,内容可直接用于课程作业、实验报告和机器学习模型评估。

一、t分布:通俗理解核心概念

t分布是统计学中用于小样本推断的核心概率分布,核心作用是“在样本量小、总体标准差未知时,量化样本均值与总体均值的差异不确定性”——简单说,当你无法获取全量数据,只能用小样本(如n<30)推测总体情况时,t分布能帮你做出可靠的统计推断。

生活案例:用小样本推测城市男性平均身高

假设你想知道某城市成年男性的平均身高,但只随机抽取了30名男性作为样本:

  1. 样本数据:30名男性的平均身高175cm,样本标准差5cm;
  2. 核心问题:这个样本均值(175cm)和城市男性真实平均身高的差距有多大?如何判断这个样本是否能代表总体?
  3. t分布的作用:通过t统计量量化“样本均值与真实均值的差异”,并给出该差异的概率分布,帮助你在“不确定总体标准差”的情况下,做出“真实均值是否在某个区间内”的推断(如95%置信区间)。

t分布与正态分布的核心区别

t分布和正态分布都是对称分布,但适用场景和形态有关键差异,用表格一目了然:

特性t分布正态分布
适用场景小样本(n<30)、总体标准差未知大样本(n≥30)、总体标准差已知
形态特点尾部更厚(重尾),更容易出现极端值尾部较薄,极端值概率低
决定因素自由度(df = n-1,n为样本量)均值(μ)和标准差(σ)
极限情况自由度越大,越接近标准正态分布(df→∞时完全一致)本身是大样本推断的基准分布

t分布的核心特点

  1. 对称性:以均值0为中心对称,和正态分布一样左右对称;
  2. 重尾性:尾部概率比正态分布高,对极端值更敏感(小样本中极端值的影响更难忽略);
  3. 自由度主导形态:自由度df = 样本量n - 1,df越小,尾部越厚(不确定性越高);df越大,形态越接近正态分布;
  4. 均值和方差:均值恒为0;方差 = df/(df-2)(df>2),始终大于1,df越大方差越接近1(正态分布方差=1)。

二、t分布核心原理详解

2.1 核心工具:t统计量

t分布的核心是t统计量,用于衡量“样本均值与总体均值的标准化差异”,公式如下:
t=Xˉ−μS/nt = \frac{\bar{X} - \mu}{S / \sqrt{n}}t=S/n​Xˉ−μ​
其中各符号含义:

  • Xˉ\bar{X}Xˉ:样本均值(如30名男性的平均身高175cm);
  • μ\muμ:总体均值(未知,我们要推测的真实值);
  • SSS:样本标准差(如5cm,由样本计算得到);
  • nnn:样本量(如30);
  • S/nS/\sqrt{n}S/n​:标准误(Standard Error),衡量样本均值的抽样波动程度。
t统计量的意义

t统计量越大,说明“样本均值与总体均值的差异越显著”;反之,差异越不显著。通过t统计量的分布(t分布),可计算该差异出现的概率(p值),判断差异是否由随机波动导致。

2.2 概率密度函数(PDF)

t分布的概率密度函数描述了不同t值出现的概率密度,公式如下:
f(t)=Γ(v+12)vπΓ(v2)(1+t2v)−v+12f(t) = \frac{\Gamma\left(\frac{v+1}{2}\right)}{\sqrt{v\pi} \Gamma\left(\frac{v}{2}\right)} \left(1 + \frac{t^2}{v}\right)^{-\frac{v+1}{2}}f(t)=vπ​Γ(2v​)Γ(2v+1​)​(1+vt2​)−2v+1​
其中关键组件拆解:

  • ttt:t统计量(取值范围(−∞,+∞)(-\infty, +\infty)(−∞,+∞));
  • vvv:自由度(v=n−1v = n-1v=n−1);
  • Γ(⋅)\Gamma(\cdot)Γ(⋅):Gamma函数(广义阶乘,如Γ(3)=2!=2\Gamma(3)=2! = 2Γ(3)=2!=2,Γ(2.5)=1.5×0.5×π≈1.329\Gamma(2.5)=1.5×0.5×\sqrt{\pi}≈1.329Γ(2.5)=1.5×0.5×π​≈1.329);
  • 核心规律:自由度vvv越小,分母Γ(v/2)\Gamma(v/2)Γ(v/2)越大,分子Γ((v+1)/2)\Gamma((v+1)/2)Γ((v+1)/2)越小,导致密度函数峰值越低、尾部越厚(极端t值概率越高)。

2.3 累积分布函数(CDF)

t分布的累积分布函数F(t;v)F(t; v)F(t;v)表示“t统计量≤t的概率”,公式为:
F(t;v)=P(T≤t)=∫−∞tf(x;v)dxF(t; v) = P(T \leq t) = \int_{-\infty}^t f(x; v) dxF(t;v)=P(T≤t)=∫−∞t​f(x;v)dx

  • 意义:用于计算t检验的p值(如“t统计量大于某个值的概率”);
  • 注意:该积分无解析解,需通过数值计算(如Python的scipy库)或查表得到结果。

2.4 自由度的物理意义

自由度(df = n-1)是t分布的核心参数,本质是“计算统计量时独立数据的数量”:

  • 例如:用n个样本计算样本标准差时,需先确定样本均值Xˉ\bar{X}Xˉ,这会“消耗1个自由度”,因此独立数据的数量为n-1;
  • 直观理解:自由度越小,样本提供的“有效信息”越少,不确定性越高(t分布尾部越厚);自由度越大,有效信息越多,不确定性越低(越接近正态分布)。

三、t分布实战:Python实现与应用

3.1 环境准备

需要的Python库(统计、可视化常用库):

pip install numpy matplotlib scipy

3.2 实战1:t分布可视化(理解自由度对形态的影响)

通过代码生成不同自由度的t分布,直观对比其与正态分布的差异:

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import t, norm

# 设置画布大小
plt.figure(figsize=(12, 6))

# 定义要可视化的自由度(df=2, 10, 30)和标准正态分布
dfs = [2, 10, 30]
x = np.linspace(-5, 5, 1000)  # t值范围

# 绘制不同自由度的t分布和正态分布
for df in dfs:
    t_pdf = t.pdf(x, df)  # t分布PDF
    plt.plot(x, t_pdf, linewidth=2, label=f't-distribution (df={df})')

# 绘制标准正态分布(作为参考)
norm_pdf = norm.pdf(x, loc=0, scale=1)
plt.plot(x, norm_pdf, 'k--', linewidth=2, label='Standard Normal Distribution')

# 图表美化
plt.title('t-distribution vs Standard Normal Distribution', fontsize=16)
plt.xlabel('t Value', fontsize=14)
plt.ylabel('Probability Density', fontsize=14)
plt.legend(fontsize=12)
plt.grid(alpha=0.5)
plt.show()
结果解读
  • df=2时:t分布尾部极厚,峰值低,极端值概率远高于正态分布;
  • df=10时:尾部变薄,形态接近正态分布,但仍有差异;
  • df=30时:t分布与正态分布几乎重合,说明大样本下可近似用正态分布推断。

3.3 实战2:独立样本t检验(机器学习模型性能对比)

t分布的核心应用是t检验,用于判断两组数据的均值是否存在显著差异(如两个模型的性能差异是否由随机波动导致)。以下实现独立样本t检验,对比两个模型的性能:

import numpy as np
from scipy import stats

# ---------------------- 1. 准备数据(两个模型的评估得分) ----------------------
# 模型A:10次测试的准确率得分
model_a_scores = np.array([88, 90, 85, 87, 92, 91, 89, 90, 86, 93])
# 模型B:10次测试的准确率得分
model_b_scores = np.array([80, 82, 79, 81, 83, 78, 77, 80, 79, 82])

print("="*60)
print("模型性能得分")
print("="*60)
print(f"模型A得分:{model_a_scores},均值:{model_a_scores.mean():.2f},标准差:{model_a_scores.std():.2f}")
print(f"模型B得分:{model_b_scores},均值:{model_b_scores.mean():.2f},标准差:{model_b_scores.std():.2f}")
print("="*60)

# ---------------------- 2. 独立样本t检验 ----------------------
# 零假设H0:两个模型的均值无显著差异(差异由随机波动导致)
# 备择假设H1:两个模型的均值有显著差异
t_stat, p_value = stats.ttest_ind(model_a_scores, model_b_scores, equal_var=False)  # equal_var=False:不假设方差相等

# ---------------------- 3. 结果解读 ----------------------
print("\n【t检验结果】")
print(f"t统计量:{t_stat:.3f}")
print(f"p值:{p_value:.6f}")
print(f"显著性水平α:0.05")

# 判断是否拒绝零假设(常用α=0.05:p<0.05则拒绝H0)
if p_value < 0.05:
    print("结论:拒绝零假设,两个模型的性能存在显著差异!")
else:
    print("结论:无法拒绝零假设,两个模型的性能无显著差异。")

# ---------------------- 4. 可视化两组得分分布 ----------------------
plt.figure(figsize=(10, 6))
# 绘制直方图
plt.hist(model_a_scores, bins=5, alpha=0.6, color='green', label='Model A', density=True)
plt.hist(model_b_scores, bins=5, alpha=0.6, color='orange', label='Model B', density=True)
# 绘制均值线
plt.axvline(model_a_scores.mean(), color='green', linestyle='--', linewidth=2, label='Model A Mean')
plt.axvline(model_b_scores.mean(), color='orange', linestyle='--', linewidth=2, label='Model B Mean')
# 图表美化
plt.title('Performance Score Distribution: Model A vs Model B', fontsize=16)
plt.xlabel('Accuracy Score', fontsize=14)
plt.ylabel('Density', fontsize=14)
plt.legend(fontsize=12)
plt.grid(alpha=0.5)
plt.show()
实战关键解读
  1. 数据特点:两组样本量均为10(小样本),适合用独立样本t检验;
  2. t统计量:计算结果约为8.37,数值较大,说明两组均值差异显著;
  3. p值:远小于0.05(约1.2e-06),拒绝零假设,可置信地认为模型A性能优于模型B;
  4. 核心价值:t检验量化了“性能差异是随机波动”的概率(p值),避免仅凭均值差异下结论(如模型A均值89.1 vs 模型B均值80.1,差异是否显著需统计检验)。

3.4 实战3:置信区间估计(用样本推测总体均值)

利用t分布计算总体均值的95%置信区间,量化样本推断的不确定性:

import numpy as np
from scipy.stats import t

# 样本数据(30名男性身高,单位cm)
height_sample = np.array([175, 178, 172, 180, 176, 174, 179, 173, 177, 175,
                         176, 178, 171, 179, 174, 177, 173, 175, 178, 176,
                         172, 179, 174, 176, 177, 175, 173, 178, 176, 174])

n = len(height_sample)
df = n - 1  # 自由度
sample_mean = height_sample.mean()  # 样本均值
sample_std = height_sample.std(ddof=1)  # 样本标准差(ddof=1:无偏估计)
std_error = sample_std / np.sqrt(n)  # 标准误

# 计算95%置信区间(双侧置信区间)
confidence_level = 0.95
alpha = 1 - confidence_level
t_critical = t.ppf(1 - alpha/2, df)  # 双侧t临界值

# 置信区间公式:样本均值 ± t临界值 × 标准误
ci_lower = sample_mean - t_critical * std_error
ci_upper = sample_mean + t_critical * std_error

# 输出结果
print("="*60)
print("总体均值95%置信区间估计")
print("="*60)
print(f"样本均值:{sample_mean:.2f} cm")
print(f"样本标准差:{sample_std:.2f} cm")
print(f"自由度:{df}")
print(f"95%置信区间:[{ci_lower:.2f}, {ci_upper:.2f}] cm")
print("解读:我们有95%的把握认为,该城市成年男性的真实平均身高在上述区间内。")

四、t分布的优缺点分析

优点

  1. 适配小样本场景:解决了小样本(n<30)、总体标准差未知时的统计推断问题,是实验科学和机器学习小样本评估的核心工具;
  2. 无需假设总体标准差:实际应用中,总体标准差几乎无法获取,t分布仅用样本标准差即可推断,实用性极强;
  3. 理论严谨:基于严格的统计推导,置信区间和p值的解释清晰,结果可靠;
  4. 过渡性强:自由度增大时自动趋近正态分布,兼顾小样本和大样本的推断需求;
  5. 应用广泛:可用于均值检验、置信区间估计、回归系数显著性检验等多种场景。

缺点

  1. 对异常值敏感:重尾特性导致小样本中的极端值会严重影响t统计量,需提前处理异常值;
  2. 依赖正态性假设:t检验的前提是“样本数据近似服从正态分布”,若数据严重偏态,需先做正态性转换(如对数转换);
  3. 样本量极小时性能下降:当n<5时,自由度太小(df<4),t分布的不确定性极高,推断结果可靠性降低;
  4. 不适用于多组比较:仅能对比两组数据,多组数据(如3个以上模型)需用方差分析(ANOVA)替代。

五、t分布的典型应用场景

  1. 小样本均值推断:如通过少量实验数据推测总体均值(如新药疗效、材料强度);
  2. 模型性能对比:如比较两个机器学习模型在小样本测试集上的性能差异;
  3. 回归系数显著性检验:线性回归中,判断某个特征的系数是否显著不为0(即该特征是否对结果有影响);
  4. 置信区间估计:如用小样本数据估计总体参数的置信区间(如用户转化率、产品合格率);
  5. 科学实验分析:如生物学、化学实验中,对比两组实验的结果差异是否显著。

六、总结与拓展学习

核心总结

t分布是小样本统计推断的基石,核心价值在于“在总体标准差未知的小样本场景下,量化推断的不确定性”:

  1. 直观层面:t分布是正态分布的“小样本版本”,尾部更厚,更能容忍小样本中的极端值;
  2. 数学层面:通过t统计量标准化样本均值与总体均值的差异,利用自由度控制分布形态;
  3. 实战层面:核心应用是t检验(对比两组均值)和置信区间估计(推测总体参数),是机器学习模型评估、科学实验分析的必备工具。

学习t分布的关键:

  1. 理解“自由度”的物理意义(样本量-1),以及其对t分布形态的影响;
  2. 掌握t统计量的计算逻辑,明确其“标准化差异”的核心作用;
  3. 熟练运用t检验和置信区间估计,能解读p值和置信区间的实际意义;
  4. 记住适用场景:小样本(n<30)、总体标准差未知,大样本或已知总体标准差时用正态分布。

拓展学习方向

  1. 配对样本t检验:用于对比同一组数据在干预前后的差异(如同一模型优化前后的性能对比);
  2. 回归分析中的t检验:学习线性回归中回归系数的t检验,判断特征的显著性;
  3. 非参数替代方法:当数据不满足正态性假设时,学习Wilcoxon秩和检验(替代独立样本t检验);
  4. 方差分析(ANOVA):扩展到多组数据的均值对比,理解ANOVA与t检验的关系;
  5. 贝叶斯t分布:学习贝叶斯框架下的t分布推断,量化参数的后验分布。

附:t分布实战常见问题

  1. 如何判断是否用t检验?:小样本(n<30)、两组数据、比较均值差异→用t检验;大样本→用z检验;多组数据→用ANOVA;
  2. 独立样本vs配对样本?:两组数据独立(如两个不同模型)→独立样本t检验;两组数据相关(如同一模型的前后测试)→配对样本t检验;
  3. p值越小越好吗?:p值越小,说明“差异由随机波动导致”的概率越低,差异越显著,但需结合实际意义(如性能提升0.1%但p<0.05,统计显著但实际意义不大);
  4. 数据不服从正态分布怎么办?:做正态性检验(如Shapiro-Wilk检验),若不服从,可做数据转换(对数、平方根)或用非参数检验。
t分布(Student t distribution)——正态分布的小样本抽样分布 目录 大样本抽样分布 正态分布小样本抽样分布—t分布 运用t分布构建小样本抽样均值的置信区间 运用t分布进行小样本抽样均值检验 大样本抽样分布 对于大样本的抽样分布,由中心极限定理,无论总体分布是否为正态分布,其均值x_bar的抽样分布为近似正态分布,同时对于较大的n(n>=30),s将会是σ的优良估计。 x_bar的抽样分布的置信区间可以使用z统计量来构建,z统计量为:... 阅读详情

相关推荐

统计建模与scipy.stats模块全解析:从概率分布到假设检验(六)

统计建模的第一步是明确问题和收集数据。某种药物对某种疾病的治疗效果是否显著?某种教学方法是否比传统方法更有效?某个地区的年降雨量是否遵循某种分布模式?根据研究问题,我们需要收集相应的数据。例如,对于药物疗效问题,我们可能需要收集两组患者的数据:一组接受药物治疗,一组接受安慰剂治疗。

weixin_69882801的博客 1205

关于t分布

上一篇文章提及了卡方分布,本文接着介绍另一类重要的抽样分布–t分布。 简单说一下背景,“t”,是Fisher为之取的名字。Fisher最早将这一分布命名为“Student’s distribution”,并以“t”为之标记。Student,则是William Sealy Gosset(戈塞特)的笔名。他当年在爱尔兰都柏林的一家酒厂工作,设计了一种后来被称为t检验的方法来评价酒的质量。因为行业机密,...

LittleDorcas博客 12万+

常见的概率分布类型(一)(Probability Distribution I)

统计学中最常见的几种概率分布分别是正态分布(normal distribution),t分布(t distribution),F分布(F distribution)和卡方分布(χ2 distribution,chi-squaredistribution),其中后三种属于抽样分布。 为什么要研究概率分布呢?因为通过研究概率分布,我们可以找出数据的分布规律,并根据这些规律来解决特定条件下的问...

weixin_34233856的博客 7312

三大抽样分布:卡方分布,t分布和F分布的简单理解

有很多统计推断是基于正态分布的假设,以标准正态分布变量为基石而构造的三个著名统计量在实际中有广泛的应用,这是因为这三个统计量不仅有明确背景,而且其抽样分布的密度函数有显式表达式,它们被称为统计中的“三大抽样分布”。这三大抽样分布即为著名的卡方分布,t分布和F分布。 目录 1 卡方分布(分布) 1.1 定义 1.2 性质 2 t分布 2.1 定义 2.2 性质 3 F分布 3.1 ...

anshuai_aw1的博客 56万+

在 ABAP 2508 里把随机数玩成生产力:概率分布、统计计算与业务建模一次讲透

SAP ABAP environments 2508 引入了概率分布功能(CL_ABAP_PROB_DISTRIBUTION),解决了传统均匀随机数在业务场景中的局限性。该系统支持正态、对数正态、指数等多种分布模型,能生成更贴近现实的业务数据(如客户付款日期、商品销量等)。开发者可在RAP/OData服务中创建高仿真测试数据,或在财务、催收等场景进行统计分析与阈值计算。新功能提供FLOAT和DECFLOAT34两种精度选项,满足不同业务需求。这一升级使ABAP从简单的随机数生成扩展到概率建模领域,为企业数据

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 909

【2025-05】Flow-GRPO:ODE到SDE转换05:Fokker-Planck概率变化方程【∂pₜ(x)/∂t=−∇ₓ(f(x,t)pₓ(x))+½g(t)²∇²ₓpₜ(x)】【漂移+扩散】

Fokker-Planck概率变化方程【∂pₜ(x)/∂t=−∇ₓ(f(x,t)pₓ(x))+½g(t)²∇²ₓpₜ(x)】【漂移+扩散】

u013250861的博客 13

AcousticSense AI一文详解:Softmax温度系数对Top5概率分布平滑度的影响

本文介绍了如何在星图GPU平台上自动化部署AcousticSense AI:视觉化音频流派解析工作站镜像,并探讨了Softmax温度系数对模型Top5概率分布平滑度的影响。通过调整该参数,用户可灵活控制AI对音乐风格的解析粒度,例如在音乐风格混合分析或创意启发等场景中,获得更平滑、更具洞察力的流派概率分布。

weixin_29041443的博客 1007

一些常见分布-正态分布、对数正态分布、伽马分布、卡方分布、t分布、F分布等

当,称为标准正态分布,即。对数正态分布(logarithmic normal distribution)是指一个的对数服从正态分布,则该随机变量服从对数正态分布。对数正态分布从短期来看,与正态分布非常接近。但长期来看,对数正态分布向上分布的数值更多一些。​假设服从的正态分布为,概率密度函数为​,服从的分布为,概率密度函数为。显然有。下面证明​的概率密度函数表达式如上面所示。一般我们通过分布函数和概率的定义来证明。,因为​,则即​,两边对​求导,得到:,即:​。

L 3053

SciPy 1.13 实战:5种概率分布(泊松/卡方/正态/t/F)Python代码实现与可视化

本文详细介绍了使用SciPy 1.13实现五种核心概率分布(泊松、卡方、正态、t和F分布)的Python代码与可视化方法。通过实战案例和代码示例,帮助读者掌握这些分布在数据分析中的应用,提升统计建模能力。内容涵盖环境配置、分布特性解析及高级可视化技巧,适合数据科学从业者和统计学学习者。

weixin_34152820的博客 1291

t-cdf:学生的t分布累积分布函数(CDF)

累积分布函数 [学生t]( 学生t_distribution)分布。 [学生t]( 学生t_distribution)随机变量的为 其中v是自由度。 在定义中, Beta( x; a, b )表示而Beta( a, b )表示。 安装 $ npm install distributions-t-cdf 要在浏览器中使用,请使用 。 用法 var cdf = require ( 'distributions-t-cdf' ) ; cdf(x [,选项]) 评估[学生t]( https://en.wikipedia.org/wiki/学生t_distribution)分布的累积分布函数。 x可以是number , array ,typed array或matrix 。 var matrix = require ( 'dstructs-matrix' ) , mat , ou

从ENVI SARscape到SNAP:手把手教你迁移哨兵1 GRD数据预处理流程(含避坑指南)

本文详细介绍了从ENVI SARscape迁移到SNAP处理哨兵1 GRD数据的全流程,包括工具哲学差异、数据准备注意事项、核心处理流程等效实现及地形校正技巧。特别针对雷达数据预处理中的常见陷阱提供避坑指南,帮助用户高效完成工具迁移并确保结果质量。

weixin_28677005的博客 486

用Python绘制常见概率分布图:从正态到泊松的直观指南

概率分布是数据分析与统计建模的基石,但仅仅盯着公式难以建立直观认知。概率密度函数(PDF)与概率质量函数(PMF)描述了随机变量取值的规律,通过图像可以快速洞察分布的形状、集中趋势与离散程度。借助Python科学计算生态中的NumPy、SciPy与Matplotlib,我们能够高效生成正态、指数、t、均匀、泊松、二项等常见分布的可视化图像。这种可视化的技术价值在于辅助分析师建立“分布直觉”,在探索性数据分析、特征工程、模型选型以及分布拟合等场景中,通过直方图与理论曲线的对比快速判断数据形态,甚至利用随机抽样

weixin_34138056的博客 387

蓝桥杯历年真题分类汇总(史上最全版本,一定不要错过)

天再高又怎样,踮起脚尖就更接近阳光。 满满的 题型总结​ 历年真题​ 视频讲解​ 比赛技巧 题型总结 2021 2020 2019 2018 2017 2016 2015 2014 2013 ...

m0_58367586的博客 11万+

什么是抽样分布

想象一下,你想了解全市高中生的平均身高,由于时间和资源限制,你不可能测量每个学生。你的做法是:去学校随机挑选100位学生(这是一个样本,Sample)。计算这100位学生的平均身高,比如是150cm(这是统计量,Statistic)。但是,一次抽样可靠吗?如果你运气不好,刚好选到的学生都是个子偏高的怎么办?于是,你决定重复这个过程:第2次,再选100位学生,算平均值是155cm。第3次,再选100位学生,算平均值是148cm。……你重复了次。现在,你手里有了个“平均身高”的数据。如果你把这个数据画成一个直方

UdQy1k7hl的博客 188

树莓派与ROS2

树莓派与ROS2(Robot Operating System 2)的结合使用为机器人开发、自动化控制以及物联网项目提供了强大的平台。

weixin_47695827的博客 1756

5G-A无源物联网:深度解析“不插电“智能的底层技术原理

北京移动推出5G-A无源物联网技术,实现电动车标签"零功耗"运行。该技术通过射频能量收集(利用5G-A基站高功率信号转换为电能)和反向散射通信(调制反射信号传输数据)两大核心技术,使设备无需电池即可工作。5G-A相比4G在信号能量密度、通信速率和定位精度等方面显著提升,结合通感一体等创新技术,为无源物联网提供商用基础。该方案已在北京小区试点应用,实现电动车精准定位管理,标签寿命可达5年以上。专家预测,这项技术将大幅降低物联网部署成本,推动"万物智联"时代的到来。

通信行业老兵、物联网从业者,做一个有趣的普通人。 2020

R语言概率分布实战指南:21个分布选型、拟合与诊断

概率分布是统计建模的基石,其本质是刻画数据生成机制的数学工具;理解不同分布的假设前提(如独立性、恒定速率、取值范围)是避免模型误用的第一道防线;在R中,分布选择不仅依赖数据形态(偏度、峰度、离散性),更需锚定业务逻辑(如设备寿命适用威布尔、计数过离散需负二项)和技术实现稳健性(参数可估性、数值稳定性);典型应用场景涵盖电商订单金额拟合、保险理赔建模、故障间隔分析及生存分析基线风险设定;本文聚焦R生态下fitdistrplus等工业级工具链,覆盖数据清洗、MLE参数估计、QQ图/AD检验诊断、自助法不确定性量

cok8420的博客 462

【数据结构】面试题整理 共36题

链表是一种常见的数据结构,它由一系列节点组成,每个节点包含数据和一个指向下一个节点的指针。与数组不同,链表中的元素在内存中不必是连续存储的,这使得链表在插入和删除操作时非常高效。单向链表(Singly Linked List):每个节点只包含一个指向下一个节点的指针。双向链表(Doubly Linked List):每个节点包含两个指针,一个指向下一个节点,一个指向前一个节点。循环链表(Circular Linked List):链表的最后一个节点指向第一个节点,形成一个环。

weixin_44329069的博客 7204

用 Cython 扩展 NumPy random:基于 BitGenerator 自定义概率分布实战指南

NumPy 的 `numpy.random` 模块提供了 `BitGenerator`(位生成器,如 PCG64、MT19937)与 `Generator`(分布层)分离的双层架构,其中每个 `BitGenerator` 实例都暴露一个可供 C/Cython 直接调用的 PyCapsule,封装了底层的 `bitgen_t` 状态结构与 `next_*` 函数指针。本文以 [extending_d

gitblog_00951的博客 435

AI应用架构师干货:智能财务分析AI平台可视化模块设计(附最佳实践)

智能财务分析的价值,从来不是“AI模型有多准”,而是“财务人员能用上AI的结果”。可视化模块的设计,本质是**“站在业务用户的角度,重新定义技术的价值”**——它不需要复杂的动画,不需要华丽的特效,只需要“把AI的结果翻译成财务人员能看懂的语言”。作为AI应用架构师,我们的使命不是“打造最先进的技术”,而是“打造最有用的技术”。而可视化,就是连接技术与业务的那座“桥”。附录:实战项目GitHub仓库(注:此处可放置实际项目的GitHub链接,包含完整代码、数据样例、部署文档)作者简介。

SuperAGI2025 1157

多出来的那一截:Java 堆外内存 OOM 的来源分账、分流排查与治理解析

Java进程的RES常比-Xmx多出一截,堆却平稳。本文把堆外内存拆成直接缓冲区、Unsafe、JNI本地库、线程栈、元空间与文件映射六类,用JDK 8与17的六组实验对照RSS、NMT、BufferPool三本账:clear()不释放内存;MaxDirectMemorySize默认约等于堆上限且只管直接缓冲区;禁用显式GC会让申请线程退避半秒后失败;未关闭的Deflater零GC下让RSS涨1GB;Netty池内泄漏GC救不回。最后给出定性、对账、定位的排查路线与预算、编码、监控三层治理。

曾经“等你生日那天”都遥远得像未来,如今却可欢愉的挥手说“下个十年见” 14万+

python概率分布实现

python概率分布实现 离散:伯努利、二项、multi-bernouli、多项式 连续:均匀分布、贝塔、狄利克雷分布、指数、卡方、t分布

weixin_46847902的博客 735

RH850从0搭建Autosar开发环境【23】- Davinci Configurator之DCM实操实现DID的读取写入

RH850从0搭建Autosar开发环境【23】- Davinci Configurator之DCM实操实现DID的读取写入,结合Developer实现

weixin_42412049的博客 1812

FRM 数量分析笔记之概率分布

对于一个随机变量最完整的描述就是概率分布函数了。 1、切比雪夫不等式       首先我们提出一个切比雪夫不等式:       这是什么意思的?对于任何一个概率分布,注意,是任何一个哦,某一个数值落在K倍标准差的概率大于1-1/k^2。是不是很神奇,因为它对一切概率分布都满足。那么特殊的概率分布有什么特点呢。这里我们就来讨论几个常用的概率分布。 2、伯努利与二项分布

lyx的专栏 6505

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

深度学习必须掌握的 13 种概率分布

转自 | 深度学习前沿作为机器学习从业者,你需要知道概率分布相关的知识。这里有一份最常见的基本概率分布教程,大多数和使用 python 库进行深度学习有关。一 概率分布概述共轭意味着它有共轭分布的关系。在贝叶斯概率论中,如果后验分布 p(θx)与先验概率分布 p(θ)在同一概率分布族中,则先验和后验称为共轭分布,先验称为似然函数的共轭先验。共轭先验维基百科在这里(http...

lsxxx2011的专栏 213

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

python计算概率分布

分布在第一象限内,卡方值都是正值,呈正偏态(右偏态),随着参数的增大,分布趋近于正态分布。另外,分布的均值与方差也可以看出,随着自由度的增大,χ2分布向正无穷方向延伸(因为均值越来越大),分布曲线也越来越低阔(因为方差越来越大)。F分布的形状取决于分子自由度和分母自由度的值。t分布(又称为学生t分布)是统计学上常用的概率分布之一,其定义是在给定样本量较小(小于30)或总体标准差未知的情况下,用来估计总体均值的分布。该分布描述了在给定范围内的随机变量取值的概率,以及其最大可能的值和最小可能的值。

T20151470的博客 3516
上一篇: 【概率分布】Dirichlet分布详解
下一篇: 【概率分布】伯努利分布详解
「已注销」
博客等级 码龄1年 312粉丝 132原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

「已注销」

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值