PKU 概率论+数理统计+建模 期中考复习总结

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
    • Linear Congruential Method
    • 判断是否是full period
  • Uniformity (test of frequency)
    • 1.Chi-Square test
      • method
      • reminder
      • example
    • 2.Kolmogorov-Sminov test
      • method
      • example
  • Independence (test of autocorrelation)
    • Runs test
  • Acceptance-rejection method
  • Empirical distribution 经验分布
    • The Empirical Distribution Procedure
    • Ungrouped data
      • condition
      • method
      • construction method
      • 生成U去寻找x
    • grouped data
      • condition
      • construction method
      • example
      • How about discrete empirical distribution?
    • 经验分布的优点与缺点
    • example
  • Maximum Likelihood Estimator 最大似然估计
  • 判断数据是否相互独立

计算条件概率

【作业题】
Suppose that Die-Hardly-Ever battery has an exponential time-to-failure
distribution with a mean of 48 months. At 60 months, the battery is still operating.

  1. What is the probability that this battery is going to die in the next 12 months?
  2. What is the probability that the battery dies in an odd year of its life?
  3. If the battery is operating at 60 months, compute the expected additional months of life.

【重点】条件概率+指数分布无记忆性
P ( x > s + t ∣ x > t ) = P ( x > s ) P(x>s+t|x>t)=P(x>s) P(x>s+tx>t)=P(x>s)

计算概率(放回与不放回)

Suppose that a man has k keys, one of which will open a door. Compute
the expected number of keys required to open the door for the following two cases:
a. The keys are tried one at a time without replacement.(不放回)
b. The keys are tried one at time with replacement.(放回)
在这里插入图片描述

生成随机数算法

Linear Congruential Method

在这里插入图片描述

判断是否是full period

在这里插入图片描述【作业题】可能考察是否full period
R i = X i m < 1 R_i=\frac{X_i}{m}<1 Ri=mXi<1
在这里插入图片描述

Uniformity (test of frequency)

检验样本是否服从均匀分布

对前提进行假设
F r e q u e n c y Frequency Frequency
H 0 : R i ′ s U ( 0 , 1 ) H_0:R_i's~U(0,1) H0:Ris U(0,1)
H 1 : R i ′ s n o t U ( 0 , 1 ) H_1:R_i's not U(0,1) H1:RisnotU(0,1)

在测试前要说明清楚,显著性水平
α = P ( t y p e o n e e r r o r ) = p ( r e j e c t H 0 ∣ H 0 i s t r u e ) \alpha=P(type\ one\ error)=p(reject\ H_0|H_0 is\ true) α=P(type one error)=p(reject H0H0is true)

1.Chi-Square test

  • 卡方检验的期望值 E i E_i Ei要求 E i ≥ 5 E_i≥5 Ei5【这个是为了确保近似分布是合理的】

method

检验是否服从 U ( 0 , 1 ) U(0, 1) U(0,1)如下,

  1. 将[0,1]分成k个等长子区间(对应Reminder的Equal probability)
  2. 计算 O j O_j Oj,其为样本数据 R i R_i Ri落在子区间 ( j − 1 k , j k ] (\frac{j-1}{k},\frac{j}{k}] (kj1,kj]的频次
  3. E j = E ( O j ) = n k E_j=E(O_j)=\frac{n}{k} Ej=E(Oj)=kn观测值在j区间的期望
  4. 计算卡方 X 0 2 = ∑ j = 1 k ( O j − E j ) 2 E j {X_0}^2=\sum_{j=1}^{k}{\frac{(O_j-E_j)^2}{E_j}} X02=j=1kEj(OjEj)2
  5. Reject Ho if X 0 2 > X k − 1 , α 2 {X_0}^2>X_{k-1,\alpha}^2 X02>Xk1,α2

reminder

在这里插入图片描述

example

Using appropriate test, check whether the numbers are uniformly distributed: 0.594, 0.928, 0.515, 0.055, 0.507, 0.351, 0.262, 0.797, 0.788, 0.442, 0.097, 0.798, 0.227, 0.127, 0.474, 0.825, 0.007, 0.182, 0.929, 0.852.

即判断数据是否服从均匀分布。

int main(){
#ifdef localfreopen("data.txt", "r", stdin);
//  freopen("data.txt", "w", stdout);
#endifint n = 20;rep(i, 1, n){cin >> a[i];}sort(a+1, a+n+1);rep(i, 1, n){cout << " " << a[i];}    
}

排序可得(共20个数据)
0.007 0.055 0.097 0.127 0.182 0.227
0.262 0.351 0.442 0.474
0.507 0.515 0.594
0.788 0.797 0.798 0.825 0.852 0.928 0.929

要求期望Ei是大于5的,所以应该分为4个区间。如下
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2.Kolmogorov-Sminov test

KS检测,主要用于检测数据是否符合某种分布

method

  1. Rank R ( 1 ) ≤ R ( 2 ) ≤ . . . ≤ R ( N ) R_{(1)}≤R_{(2)}≤...≤R_{(N)} R(1)R(2)...R(N)
  2. compute D + = max ⁡ 1 ≤ i ≤ N { i N − R ( i ) } D^+=\max_{1≤i≤N}\{\frac{i}{N}-R_{(i)}\} D+=1iNmax{NiR(i)}
    D − = max ⁡ 1 ≤ i ≤ N { R ( i ) − i − 1 N } D^-=\max_{1≤i≤N}\{R_{(i)}-\frac{i-1}{N}\} D=1iNmax{R(i)Ni1}
  3. compute D = m a x ( D + , D − ) D=max(D^+, D^-) D=max(D+,D)
  4. 拒绝 H 0 H_0 H0 if D > D α ( N ) D>D_{\alpha}(N) D>Dα(N)

example

Using appropriate test, check whether the numbers are uniformly distributed: 0.594, 0.928, 0.515, 0.055, 0.507, 0.351, 0.262, 0.797, 0.788, 0.442, 0.097, 0.798, 0.227, 0.127, 0.474, 0.825, 0.007, 0.182, 0.929, 0.852.

即判断数据是否服从均匀分布。
在这里插入图片描述

Independence (test of autocorrelation)

Runs test

Acceptance-rejection method

This method uses an auxiliary function t(x) that is everywhere ≥ the density f(x) of the RV X we want to simulate
接受-拒绝采样,这个方法使用一个辅助函数 t ( x ) t(x) t(x) t ( x ) t(x) t(x)函数满足处处 t ( x ) ≥ f ( x ) t(x)≥f(x) t(x)f(x) f ( x ) f(x) f(x)是随机变量X的概率密度函数,X就是我们想要进行模拟的随机变量。

显然,处处 t ( x ) ≥ 0 t(x)≥0 t(x)0

引入 t ( x ) t(x) t(x)去求解 c c c

不妨,令 r ( x ) = t ( x ) c r(x)=\frac{t(x)}{c} r(x)=ct(x),其一定为概率密度

我们必须选择 t t t,以此能更轻松的从 r ( x ) r(x) r(x)概率密度函数中采样。

method

  1. 从概率密度r(x)中产生Y
  2. 产生均匀分布U(0, 1)变量U,其独立于Y
  3. 这意味着我们必须使用其他的随机变量
  4. U ≤ f ( Y ) t ( Y ) U≤\frac{f(Y)}{t(Y)} Ut(Y)f(Y)时,则令 X = Y X=Y X=Y,否则就回到第一步重新产生Y。

例题 Problem 7: Give an algorithm for generating a standard normal random variable X ∼ N(0,1).
(Hint: if we can generate from the absolute value |X|, then by symmetry we can obtain X by independently generating a rv U (for sign) that is ±1 with probability 1/2 and setting X = U|X|.)

方法1:建议函数使用指数分布

(1)前提准备
首先,根据已知分布的概率密度函数f(x),产生服从此分布的样本X

f ( x ) = 1 2 π e − x 2 2 ( − ∞ < x < + ∞ ) f(x)=\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}} (-\infty<x<+\infty) f(x)=2π 1e2x2(<x<+)

但根据题目提示,我们仅能产生|X|,不过同理,不妨设随机变量Z, Z = ∣ X ∣ Z=|X| Z=X,由X的概率密度函数我们可以知道Z的概率密度函数
f Z ( z ) = 2 2 Π e − z 2 2 ( z ≥ 0 ) f_Z(z)=\frac{2}{\sqrt{2Π}}e^{-\frac{z^2}{2}} (z≥0) fZ(z)= 2e2z2(z0)
此时再找一个建议函数(辅助函数),即随机变量Y,其服从指数分布,故我们可得其概率密度函数
f Y ( y ) = λ e − λ y ( y > 0 ) f_Y(y)=\lambda e^{-\lambda y} (y>0) fY(y)=λeλy(y>0)
(2)我们首先得确定建议函数的参数 λ \lambda λ与Acceptance-rejection method的参数c(在Acceptance-rejection method算法中我们希望c能接近1)

c ∗ g ( x ) ≥ f ( x ) c*g(x)≥f(x) cg(x)f(x),g(x)为建议函数

c f Y ( u ) f Z ( u ) = c λ e − λ u 2 2 π e − u 2 2 = c λ 2 π 2 e 1 2 ( u − λ ) 2 − λ 2 2 \frac{cf_Y(u)}{f_Z(u)}=\frac{c\lambda e^{-\lambda u}} {\frac{2}{\sqrt{2\pi}}e^{-\frac{u^2}{2}}}= \frac{c\lambda\sqrt{2\pi}}{2}e^{\frac{1}{2}(u-\lambda)^2-\frac{\lambda^2}{2}} fZ(u)cfY(u)=2π 2e2u2cλeλu=2cλ2π e21(uλ)22λ2
易得
c λ 2 π 2 e 1 2 ( u − λ ) 2 − λ 2 2 ≥ c λ 2 π 2 e − λ 2 2 \frac{c\lambda\sqrt{2\pi}}{2}e^{\frac{1}{2}(u-\lambda)^2-\frac{\lambda^2}{2}}≥c\frac{\lambda\sqrt{2\pi}}{2}e^{-\frac{\lambda^2}{2}} 2cλ2π e21(uλ)22λ2c2λ2π e2λ2

不妨令 λ = 1 \lambda=1 λ=1 c = 2 2 π e 1 2 c=\frac{2}{\sqrt{2\pi}}e^{\frac{1}{2}} c=2π 2e21
(这么令代入便于计算)
即可以满足 c f Y ( u ) f Z ( u ) ≥ 1 \frac{cf_Y(u)}{f_Z(u)}≥1 fZ(u)cfY(u)1
此时确定可以将 f Y ( u ) f_Y(u) fY(u)作为我们的建议函数(辅助函数)
t ( y ) = c f Y ( y ) t(y)=cf_Y(y) t(y)=cfY(y)
(课件中使用t(x)代表建议函数,故此用t表示)

(3)由(2)已将建议函数 t ( y ) = c f Y ( y ) t(y)=cf_Y(y) t(y)=cfY(y)找好,接下来我们从中进行采样

【第一个是为了得到样本Y】

  • 生成随机变量U1,其服从U(0,1)的均匀分布,从中生成u1,从而获得采样点y
    y = F − 1 ( u 1 ) = − l n ( 1 − u 1 ) y=F^{-1}(u1)=-ln(1-u_1) y=F1(u1)=ln(1u1)(这个可由指数分布的分布函数去进行求逆变换得到)

【第二个是为了得到样本U】

  • 再生成一个随机变量U2,其也服从U(0, 1)的均匀分布,从中得到u2,且随机变量U1和U2相互独立
    if u 1 ≤ f Z ( y ) c f Y ( y ) u1≤\frac{f_Z(y)}{cf_Y(y)} u1cfY(y)fZ(y)
    则该采样点可以取到,(接受)Z=y
    否则就拒绝回到(3)的开始重新进行采样。

(4)综上,我们产生了Z,其满足 Z = ∣ X ∣ Z=|X| Z=X,但我们实际求解的是X

  • 因此,再生成一个随机变量U3,其服从U(0, 1)的均匀分布,从中得到u3,且随机变量U3是独立于U1、U2
    m = { + 1 u3 ≤ 0.5 − 1 u3 > 0.5 m=\begin{cases} +1& \text{u3 ≤ 0.5}\\ -1& \text{u3 > 0.5} \end{cases} m={+11u3 ≤ 0.5u3 > 0.5
    X = m ∗ Z X=m*Z X=mZ即为采样所得服从N(0,1)标准正态分布

方法2:双指数分布生成正态分布

  1. 产生两个相互独立服从参数为1的指数分布的随机变量Y1、Y2
    Y 1 = − l n ( U 1 ) Y1=-ln(U_1) Y1=ln(U1)
    and Y 2 = − l n ( U 2 ) Y2=-ln(U_2) Y2=ln(U2)
  2. Y 2 ≥ ( Y 1 − 1 ) 2 2 Y_2≥\frac{(Y_1-1)^2}{2} Y22(Y11)2时,令 ∣ Z ∣ = Y 1 |Z|=Y_1 Z=Y1否则就回到第一步重新进行采样
  3. 生成随机变量U,其服从均匀分布U(0, 1)
    Z = { ∣ Z ∣ U ≤ 0.5 − ∣ Z ∣ U > 0.5 Z=\begin{cases} |Z|& \text{U ≤ 0.5}\\ -|Z|& \text{U > 0.5} \end{cases} Z={ZZU ≤ 0.5U > 0.5

方法3:

  1. 生成随机变量Y,其服从参数为1的指数分布;生成随机变量U1,并令 Y = − l n ( U 1 ) Y=-ln(U1) Y=ln(U1)
  2. 生成随机变量U2
  3. U 2 ≤ e − ( Y − 1 ) 2 2 U2≤e^{-\frac{(Y-1)^2}{2}} U2e2(Y1)2则令|Z|=Y,否则则回到第一步
  4. 生成U3,若U3≤0.5则Z=|Z|;若U3>0.5,则Z=-|Z|

注意第3步, U 2 ≤ e − ( Y − 1 ) 2 2 U2≤e^{-\frac{(Y-1)^2}{2}} U2e2(Y1)2,可得
− l n ( U 2 ) ≥ ( Y − 1 ) 2 / 2 -ln(U2)≥(Y-1)^2/2 ln(U2)(Y1)2/2
就可以简化 − l n ( U 2 ) -ln(U2) ln(U2)是服从参数为1的指数分布。

使用Acceptance-Rejection method对连续型随机变量有效,证明处处都有 P ( X ≤ x ) = F X ( x ) P(X≤x)=F_X(x) P(Xx)=FX(x)

设,事件A为接受事件,由Acceptance-Rejection method可知,当A发生时,可将采样Y去代替X,即X=Y
左边 = P ( X ≤ x ) = P ( Y ≤ x ∣ A ) = P ( Y ≤ x , A ) P ( A ) 左边=P(X≤x)=P(Y≤x|A)=\frac{P(Y≤x,A)}{P(A)} 左边=P(Xx)=P(YxA)=P(A)P(Yx,A)

对Y进行采样,得到y,可以取Y作为X的概率如下,
P ( A ∣ Y = y ) = P ( U ≤ f ( y ) t ( y ) ) = f ( y ) t ( y ) P(A|Y=y)=P(U≤\frac{f(y)}{t(y)})=\frac{f(y)}{t(y)} P(AY=y)=P(Ut(y)f(y))=t(y)f(y)
t(y)为建议分布的概率密度函数
U服从U(0, 1)的均匀分布,故概率如上。
0 ≤ f ( y ) t ( y ) ≤ 1 0≤\frac{f(y)}{t(y)}≤1 0t(y)f(y)1
f ( y ) ≤ t ( y ) f(y)≤t(y) f(y)t(y)
取r(y)为Y的概率密度函数
P ( A a n d Y ≤ x ) = ∫ − ∞ x P ( A a n d Y ≤ x ∣ Y = y ) r ( y ) d y P(A\ and\ Y ≤ x)=\int_{-\infty}^xP(A\ and\ Y ≤x|Y=y)r(y)dy P(A and Yx)=xP(A and YxY=y)r(y)dy
由区间知Y≤x必然成立,故
P ( A a n d Y ≤ x ) = ∫ − ∞ x P ( A a n d Y ≤ x ∣ Y = y ) r ( y ) d y = ∫ − ∞ x P ( A ∣ Y = y ) r ( y ) d y = ∫ − ∞ x f ( y ) t ( y ) ∗ t ( y ) c d y = 1 c ∫ − ∞ x f ( y ) d y = 1 c F ( x ) P(A\ and\ Y ≤ x)=\int_{-\infty}^xP(A\ and\ Y ≤x|Y=y)r(y)dy\\= \int_{-\infty}^xP(A|Y=y)r(y)dy\\ =\int_{-\infty}^x\frac{f(y)}{t(y)}*\frac{t(y)}{c}dy\\ =\frac{1}{c}\int_{-\infty}^xf(y)dy\\ =\frac{1}{c}F(x) P(A and Yx)=xP(A and YxY=y)r(y)dy=xP(AY=y)r(y)dy=xt(y)f(y)ct(y)dy=c1xf(y)dy=c1F(x)

又因为 P ( A ) = ∫ R P ( A ∣ Y = y ) r ( y ) d y = 1 c ∫ R f ( y ) d y = 1 c P(A)=\int_R P(A|Y=y)r(y)dy\\ =\frac{1}{c}\int_R f(y)dy=\frac{1}{c} P(A)=RP(AY=y)r(y)dy=c1Rf(y)dy=c1 P ( A ) = 1 c P(A)=\frac{1}{c} P(A)=c1

已知, = P ( X ≤ x ) = P ( Y ≤ x ∣ A ) = P ( Y ≤ x , A ) P ( A ) =P(X≤x)=P(Y≤x|A)=\frac{P(Y≤x,A)}{P(A)} =P(Xx)=P(YxA)=P(A)P(Yx,A)

P ( A a n d Y ≤ x ) = 1 c F ( x ) P(A\ and\ Y ≤ x)=\frac{1}{c}F(x) P(A and Yx)=c1F(x)带入

P ( A ) = 1 c P(A)=\frac{1}{c} P(A)=c1带入

解得, P ( X ≤ x ) = F ( x ) P(X≤x)=F(x) P(Xx)=F(x),综上得证。

Empirical distribution 经验分布

连续型经验分布是分段线性不是阶梯式

The Empirical Distribution Procedure

在这里插入图片描述

重点:数据是否已经被分组

Ungrouped data

condition

当原始的数据已知且有具体的值的时候

method

这里我们可以使用插值法。

首先我们得到的是一组未经处理的数据,不妨设有n个

然后,根据数值由小到大对其进行排序,

  • 最小的值到 [ 0 , 1 n − 1 ] [0, \frac{1}{n-1}] [0,n11]
  • 接下来的值放到 [ 1 n − 1 , 2 n − 1 ] [\frac{1}{n-1}, \frac{2}{n-1}] [n11,n12]
  • 继续上述类似操作
  • 最大值分配到1上

这样,每个值都会和一个区间相对应

construction method

定义一个连续的、分段线性的分布函数F
将Xi单调递增排序,Xi表示第i小(Xi就是排序过的数值),此时可以得到F函数如下
{ 0 , if  x < X ( 1 ) i − 1 n + 1 + x − X i ( n − 1 ) ( X ( i + 1 ) − X ( i ) ) , if  X i ≤ x < X ( i + 1 ) ,  ∀ i < n − 1 1 , if  X ( n ) < x \begin{cases} 0& ,\text{if $x<X_{(1)}$}\\ \frac{i-1}{n+1}+\frac{x-X_i}{(n-1)(X_{(i+1)}-X_{(i)})}& ,\text{if $X_i≤x<X_{(i+1)}$, $\forall i<n-1$}\\ 1& ,\text{if $X_{(n)}<x$} \end{cases} 0n+1i1+(n1)(X(i+1)X(i))xXi1,if x<X(1),if Xix<X(i+1), ∀i<n1,if X(n)<x

生成U去寻找x

在这里插入图片描述
在这里插入图片描述

grouped data

condition

我们没有独立的数据样本点的时候,仅知道每组数据间隔中有多少数据,即

  • n j n_j nj个点在区间 [ a j − 1 , a j ] , j = 0 , , , , , k [a_{j-1},a_j],j=0,,,,,k [aj1,aj],j=0,,,,,k
  • ∑ n j = n \sum n_j=n nj=n
  • G ( a j ) = ( n 1 + . . . + n j ) / n , j ≥ 1 , G ( a 0 ) = 0 G(a_j)=(n_1+...+n_j)/n,j≥1,G(a_0)=0 G(aj)=(n1+...+nj)/n,j1,G(a0)=0
  • 分配 a j a_j aj [ G ( a j ) , G ( a j + 1 ) ] [G(a_j), G(a_{j+1})] [G(aj),G(aj+1)],剩下的数据也如上处理
    最后将0值分配给任意x<a0即可

construction method

在这里插入图片描述

example

在这里输入图片描述

How about discrete empirical distribution?

  • Data Are Not Grouped
    对于数值x,定义p(x)为 值为x的数值个数占所有数值个数的比例
  • Only Grouped Data Are Available
    定义一个概率函数,使得一个区间内所有数值的概率之和为该区间数值个数占所有数值个数之比

经验分布的优点与缺点

优点

  1. 使用当前数据
  2. 易于操作

缺点

  1. 无法得到观察值范围外的数据
  2. 看起来不规则

example

Data have been collected on service times at a drive-in-bank window at the Shady Lane National Bank. The data are summarized into intervals as follows:
在这里插入图片描述
Set up a table like examples which has been discussed in class, for generating service
times by the table-lookup method. Generate five values of service time using random
numbers 0.9473, 0.0823, 0.3561, 0.2482, and 0.8831.

  • 首先判断grouped or ungrouped - 显然是grouped 即没有独立的样本点,只有区间样本数
  • 要算概率、累计概率、斜率、最后根据概率估算x
Interval SecondsFrequencyprobabilitycumulative proSlope
15-3010 1 15 \frac{1}{15} 151 1 15 \frac{1}{15} 151225
30-4520 2 15 \frac{2}{15} 152 1 5 \frac{1}{5} 51 225 2 \frac{225}{2} 2225
45-6025 1 6 \frac{1}{6} 61 11 30 \frac{11}{30} 301190
60-9035 7 30 \frac{7}{30} 307 3 5 \frac{3}{5} 53 900 7 \frac{900}{7} 7900
90-12030 1 5 \frac{1}{5} 51 4 5 \frac{4}{5} 54150
120-18020 2 15 \frac{2}{15} 152 14 15 \frac{14}{15} 1514450
180-30010 1 15 \frac{1}{15} 15111800

由图可知:
X 0 = 15 , X 1 = 30 , X 2 = 45 , . . . , X 7 = 300 X_0=15,X_1=30,X_2=45,...,X_7=300 X0=15,X1=30,X2=45,...,X7=300

计算斜率:
a i = X i − X i − 1 C u m u l a t i v e P ( X i ) − C u m u l a t i v e P ( X i − 1 ) a_i=\frac{X_i-X_{i-1}}{CumulativeP(X_i)-CumulativeP(X_{i-1})} ai=CumulativeP(Xi)CumulativeP(Xi1)XiXi1
a 1 = 30 − 15 1 15 = 225 a1=\frac{30-15}{\frac{1}{15}}=225 a1=1513015=225
a 2 = 45 − 30 2 15 = 225 2 a2=\frac{45-30}{\frac{2}{15}}=\frac{225}{2} a2=1524530=2225
其余斜率求解方法相同,接下来根据概率求解x值

F ( x ) = 0.9473 F(x)=0.9473 F(x)=0.9473

易知, F ( x ) > 14 15 F(x)>\frac{14}{15} F(x)>1514

x = 180 + ( 0.9473 − 0.9333 ) ∗ 1800 = 205.14 x=180+(0.9473-0.9333)*1800=205.14 x=180+(0.94730.9333)1800=205.14

其余同理。

Maximum Likelihood Estimator 最大似然估计

例题: Consider the shifted (two-parameter) exponential distribution, which has
density function
f ( x ) = { 1 β e − ( x − γ ) / β if  x ≥ γ 0 otherwise f(x)=\begin{cases} \frac{1}{\beta} e^{-(x-\gamma)/\beta}& \text{if $x≥\gamma$}\\ 0& \text{otherwise} \end{cases} f(x)={β1e(xγ)/β0if xγotherwise
for β > 0 \beta > 0 β>0 and any real number γ \gamma γ. Given a sample X 1 , X 2 , X 3 , . . . , X n X_1,X_2,X_3,...,X_n X1,X2,X3,...,Xn of IID random values
from this distribution, find formulas for the joint MLEs γ ^ \hat{\gamma} γ^ and β ^ \hat{\beta} β^ .

求解如下:

可得最大似然函数 L ( γ , β ) = 1 β n e x p [ − ∑ i = 1 n ( X i − γ ) / β ] L(\gamma, \beta)=\frac{1}{{\beta}^n}exp[-\sum_{i=1}^n(X_i-\gamma)/\beta] L(γ,β)=βn1exp[i=1n(Xiγ)/β]
上式必然满足 X i ≥ γ X_i≥\gamma Xiγ对于所有的 i i i
两侧同时取对数
l ( γ , β ) = l n ( L ( γ , β ) ) = − n l n ( β ) − [ ∑ i = 1 n ( X i − γ ) / β ] = − n l n ( β ) − 1 β ∑ i = 1 n X i + n γ β l(\gamma,\beta)=ln(L(\gamma,\beta))=-nln(\beta)-[\sum_{i=1}^n(X_i-\gamma)/\beta]\\ =-nln(\beta)-\frac{1}{\beta}\sum_{i=1}^{n}X_i+n\frac{\gamma}{\beta} l(γ,β)=ln(L(γ,β))=nln(β)[i=1n(Xiγ)/β]=nln(β)β1i=1nXi+nβγ
我们已知, β > 0 \beta>0 β>0,想要越大的 n γ β n\frac{\gamma}{\beta} nβγ γ \gamma γ就得越大

例如 γ = X ( 1 ) \gamma=X_{(1)} γ=X(1),我们就等于要最大化 g ( β ) g(\beta) g(β) g ( β ) = − n l n ( β ) − 1 β ∑ i = 1 n X i + n x ( 1 ) β g(\beta)=-nln(\beta)-\frac{1}{\beta}\sum_{i=1}^{n}X_i+n\frac{x_{(1)}}{\beta} g(β)=nln(β)β1i=1nXi+nβx(1)
综上可解得, β ^ = X ‾ ( n ) − X ( 1 ) \hat{\beta}=\overline{X}(n)-X_{(1)} β^=X(n)X(1)
也可写作 β ^ = X ‾ ( n ) − γ ^ \hat{\beta}=\overline{X}(n)-\hat{\gamma} β^=X(n)γ^ γ 是有  ^ \gamma是有\ \hat{} γ是有 ^

要注意,尽管我们需要尽可能大的 γ \gamma γ,但是也要满足 X ≥ γ X≥\gamma Xγ,也就是最大的 γ \gamma γ也只能取得最小的 X i X_i Xi
X ( 1 ) = m i n { X 1 , X 2 , . . . , X n } X_{(1)}=min\{X_1,X_2,...,X_n\} X(1)=min{X1,X2,...,Xn}

判断数据是否相互独立

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/168591.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

互联网Java工程师面试题·Spring篇·第一弹

目录 1、一般问题 1.1、不同版本的 Spring Framework 有哪些主要功能&#xff1f; 1.2、什么是 Spring Framework&#xff1f; 1.3、列举 Spring Framework 的优点。 1.4、Spring Framework 有哪些不同的功能&#xff1f; 1.5、Spring Framework 中有多少个模块&#xff…

JSX 模板精简原则

学习目标&#xff1a; 使模板中的逻辑跟简洁 实现&#xff1a; 复杂的多分枝的逻辑收敛为一个函数&#xff0c;通过一个专门的函数来写分支逻辑&#xff0c;模板中只负责调用 实例&#xff1a; // 有一个状态type有1&#xff0c;2&#xff0c;3三种 // 1 展示 h1 // 2 展示 h2…

webpack proxy如何解决跨域?

一、是什么 webpack proxy&#xff0c;即webpack提供的代理服务 基本行为就是接收客户端发送的请求后转发给其他服务器 其目的是为了便于开发者在开发模式下解决跨域问题&#xff08;浏览器安全策略限制&#xff09; 想要实现代理首先需要一个中间服务器&#xff0c;webpac…

C++左值引用与右值引用

0.类型和值类别的区别&#xff1f; 类型&#xff08;type&#xff09;和值类别&#xff08;value category&#xff09; 1.类型指的是数据类型&#xff0c;int&#xff0c;char这样的内置类型&#xff0c;类型主要是用来区别它们的字节大小。除了内置类型还有自定义类型&…

【ESP-BOX-LITE】:照片查看器

目录 项目场景&#xff1a; 项目需求描述&#xff1a; 项目技术&#xff1a; 项目成果&#xff1a; 项目总结&#xff1a; 项目视频&#xff1a; 芳香 项目场景&#xff1a; 使用ESP-BOX-LITE实现照片查看器功能&#xff0c;显示多级目录下的图片或文件夹&#xff0c;自…

二进制部署k8s

常见的K8S安装部署方式 ●Minikube Minikube是一个工具&#xff0c;可以在本地快速运行一个单节点微型K8S&#xff0c;仅用于学习、预览K8S的一些特性使用。 部署地址&#xff1a;https://kubernetes.io/docs/setup/minikube ●Kubeadm Kubeadm也是一个工具&#xff0c;提供…

vue3中使用vue3-pdf-app和使用浏览器内置的PDF插件浏览器PDF文件

文章目录 先准备一个PDF使用浏览器内置的PDF插件预览PDF在HTML中使用浏览器插件预览PDFVscode使用插件发布服务后直接通过URL地址访问PDF可使用的浏览器 在vue3项目中预览PDF文件vue3项目也是可以通过URL地址访问文件的vue3中使用浏览器内置的PDF插件预览PDF代码如下所示&#…

京东数据分析:2023厨房小电市场遇冷,空气炸锅等明星产品被抛弃

过去几年间&#xff0c;宅经济的爆发带火了酸奶机、煮蛋器、豆浆机、空气炸锅、养生壶等&#xff0c;一众外观小巧、功能丰富、价格相对便宜的厨房小家电。但随着年轻人走出家门回归工作岗位&#xff0c;厨房小家电们却步入了艰难时刻。 如今&#xff0c;厨房小家电们似乎正在经…

blender怎么在一个面上对半切割(不影响别的面)

1进入编辑模式 2.在面选择模式下&#xff0c;选中该物体需要切割成两半的面。 3.按K这个快捷键&#xff08;切记&#xff0c;必须得用快捷键&#xff0c;不用的话没办法调出第一个绿色切割点&#xff09;&#xff0c;将切割点移动到需要切割的起始边&#xff0c;按住Shift键不放…

第六节:Word中对象的层次结构

《VBA之Word应用》&#xff08;10178982&#xff09;&#xff0c;是我推出第八套教程&#xff0c;教程是专门讲解VBA在Word中的应用&#xff0c;围绕“面向对象编程”讲解&#xff0c;首先让大家认识Word中VBA的对象&#xff0c;以及对象的属性、方法&#xff0c;然后通过实例让…

[Linux 基础] make、Makefile自动化构建代码工具

文章目录 1、make与Makefile是什么2、为什么要有make与Makefile3、怎么实现一个Makefile文件3.1 如何编写Makefile文件3.1.1 依赖关系3.1.2 依赖方法 3.2 如何清理项目3.2.1 如何编写3.2.2 clean详解 3.3 make的使用3.4 原理3.4.1 查看文件修改时间 1、make与Makefile是什么 m…

为什么索引要用B+树来实现呢,而不是B树

首先&#xff0c;常规的数据库存储引擎&#xff0c;一般都是采用 B 树或者 B树来实现索引的存储。 B树 因为 B 树是一种多路平衡树&#xff0c;用这种存储结构来存储大量数据&#xff0c;它的整个高度会相比二叉树来说&#xff0c;会矮很多。 而对于数据库来说&#xff0c;所有…

Java日志系统之Logback

目录 Logback Logback的简单使用 Logback配置文件 log4j.peoperties转化为logback.xml Logback Logback的性能要比log4j要好。 Logback分为三个模块&#xff1a; logback-core&#xff1a;其他两个模块的基础模块logback-classic&#xff1a;它是log4j的一个改良版本&am…

小白也会的校园网宽带拨号自动重连设置

开始菜单搜索“任务计划程序”&#xff1a;我这个开始菜单和你们的不太一样&#xff0c;用了StartAllBack设置的&#xff0c;总之能找到这个程序就行了 提示&#xff1a;可以按下“Win R”&#xff0c;打开“运行”&#xff0c;输入taskschd.msc来打开任务计划程序 点击“任务…

最新咸鱼签名JS逆向分析教程

本章教程,主要分享一下咸鱼H5网页端sign签名算法。 案例地址:https://h5.m.goofish.com/item?id=744640763988 程仅供参考,请勿滥用,由此带来的法律责任,需由自己承担。 目录 一、参数分析 二、逆向过程

浅谈 docker run 命令中的 -i -t 和 -d 选项

以 docker Ubuntu 镜像为例&#xff0c;ubuntu镜像启动时默认执行的命令是"/bin/bash"。 文章目录 不带任何选项带 -i 选项带 -i 和 -t 选项-d 选项 不带任何选项 rootubuntu20:~# docker run ubuntu:20.04 rootubuntu20:~# docker ps CONTAINER ID IMAGE …

【Unity地编细节】为什么Unity笔刷在地形上面刷不出来

&#x1f468;‍&#x1f4bb;个人主页&#xff1a;元宇宙-秩沅 hallo 欢迎 点赞&#x1f44d; 收藏⭐ 留言&#x1f4dd; 加关注✅! 本文由 秩沅 原创 &#x1f636;‍&#x1f32b;️收录于专栏&#xff1a;unity细节和bug &#x1f636;‍&#x1f32b;️优质专栏 ⭐【…

渗透测试tomcat错误信息泄露解决办法

解决方法&#xff1a; 1、使用tomcat8.5.16&#xff0c;会重定向非法url到登录url 2、配置server.xml&#xff0c;加上 <Valve className"org.apache.catalina.valves.ErrorReportValve" showReport"false" showServerInfo"false" />配置…

Linux:firewalld防火墙-基础使用(2)

上一章 Linux&#xff1a;firewalld防火墙-介绍&#xff08;1&#xff09;-CSDN博客https://blog.csdn.net/w14768855/article/details/133960695?spm1001.2014.3001.5501 我使用的系统为centos7 firewalld启动停止等操作 systemctl start firewalld 开启防火墙 systemct…

There are not enough slots available in the system to satisfy the 48 slots报错

文章目录 问题描述解决办法 问题描述 多核运行时出现这个错误&#xff0c;减少核数运行正常 解决办法 输出命令 vim ~/.bashrc添加 alias mpirunmpirun --oversubscribe执行命令 source ~/.bashrc解决。