mango660的博客

置信水平β=1−αβ = 1 - αβ=1−α：相信原假设成立的概率α：显著性水平（反第一类错误的概率）假设检验确定原假设H0 和备择假设H1（双侧检验、单侧检验）在H0成立的条件下，根据我们要检验的量构造一个分布分布：标准正态分布、t分布、F分步、X2分布例如：在H0：W = 90 的条件下， W~N（90，4）正态分布标准化：（W−90）/2（W-90）/ 2（W−90）/2 ~ N（0，1）画出这个分布的概率密度图给出一个置信水平β概率密度函数pdf离散型随.

用来衡量两个变量之间的相关性大小总体和样本总体的均值——平均水平总体的标准差——偏离程度相关系数协方差：协方差理解：如果X、Y变化方向相同，乘积为正；如果X、Y变化方向一直保持相同，则协方差为正如果X、Y变化方向一直相反，则协方差为负；如果X、Y变化方向无规律，那么累加后正负抵消注意：协方差的大小和两个变量的两个有关，不适合做比较，so 引入Pearson相关系数总体Pearson相关系数样本皮尔逊相关系数相关性可视化理解误区In statisti.

寻求一个函数（曲线），使得该曲线在某种准则下与所有的数据点最为接近，即曲线拟合的最好（最小化损失函数）插值与拟合的区别插值算法中，得到的多项式 f(x) 要经过所有样本点。当样本点太多使，这个多项式次数过高，会造成龙格现象。拟合的结果是得到一个确定的曲线最小二乘法几何解释为什么不用四次方？避免极端数据对拟合曲线的影响最小二乘法得到的结果和MLE极大似然估计一致不用奇数次方的原因：误差会正负相抵。求解最小二乘法Matlab求解最小二乘clc;clear;.

什么情况用它：需要根据已知的函数点进行数据、模型的处理和分析== but 现有的数据极少，不足以支撑分析的进行==需要 “ 模拟产生 ” 一些新的 and 可靠的值来满足需求插值法分类：分段插值多项式插值三角插值拉格朗日插值法两个点：三个点：四个点：缺点：会产生龙格现象（Runge phenomenon)这时候就推荐分段线性插值分段二次插值牛顿插值法两种插值法对比：维度拉格朗日插值牛顿插值缺点龙格现象，不能全.

TOPSIS法可翻译为逼近理想解排序法，国内简称优劣解距离法一种综合评价方法，充分利用原始数据的信息，精确地反应各评价方案之间的差距层次分析法的局限性评价的决策层不能太多如果决策层数据已知，那么如何利用数据来使得评价更加准确？TOPSIS法栗子一：构造计算评分的公式：姓名成绩未归一化的评分归一化评分小明89（89-60）/（99-60）=0.740.74/2.1=0.35小王6000小张740.360.17小圆9..

目录评价类问题解决方法解决评价类问题，需要想到一下三个问题：引例高考结束，选择旅游地：评价类问题解决方法层次分析法 Topic解决评价类问题，需要想到一下三个问题：评价目标是什么 为达到这个目标有哪几种可选方案 评价准则或指标是什么引例高考结束，选择旅游地：评价目标——选择最佳旅游景点 可选方案——苏杭、北戴河、桂林 指标——景色、花费、居住、饮食、交通 指标权重 苏杭 北戴河 桂林 景色 ----- ...

基本小常识加 “ ；” 结果不显示 多行注释： CTRL+R 取消注释： CTRL+T CLEAR：消除工作区 CLC：消除命令行窗口 CLEAR;CLC：同时消除输出、输入函数 输出函数：disp()函数 行向量：，/ backspace 隔开 列向量：； 隔开 合并两个字符串 strcat()函数 ['da','wf','fe'] 数字转化为字符串：num2str()...