ResumeProject的博客

吻数-维基百科链接刚才有人问到“吻数”（Kissing Number），一个单位球同时最多能与多少个单位球接触？写了个简明回答，顺便转过来。答案是12。有趣的是不同维数的吻数。 1,2,3,4维，吻数分别为2,6,12,24。大于４维 时，没有定论。 但维数等于24时，反倒有准确答案，吻数为196560。 这是因为24维时有很多对称群好用。 ​​​统计学习中的covering number和packing number是什么意思？packing number伯恩斯坦不等式...

随机过程的均值是定义在某个时间点上的随机变量的函数随机过程的均值是定义在某个时间点上的随机变量的函数随机过程的均值是定义在某个时间点上的随机变量的函数协方差函数CX(t1,t2)=E((Xt1−E(Xt1))(Xt2−E(Xt2)))协方差函数就是同一个随机过程在两个时间点的协方差协方差函数C_X(t_1,t_2)=E((X_{t_1}-E{(X_{t_1})})(X_{t_2}-E{(X_{t_2})}))\\协方差函数就是同一个随机过程在两个时间点的协方差协方差函数CX​(t1​,t2​)=E((X

矩母函数与特征函数矩母函数与特征函数与分布函数一一对应矩母函数与特征函数与分布函数一一对应矩母函数与特征函数与分布函数一一对应矩母函数ψX(t)=E(etX)性质：ψX(t)′=E(XetX),当t=0,则为一阶矩（n次导数对应n阶矩）ψ_X(t)=E(e^{tX})\\性质：ψ_X(t)'=E(Xe^{tX}),当t=0,则为一阶矩（n次导数对应n阶矩）ψX​(t)=E(etX)性质：ψX​(t)′=E(XetX),当t=0,则为一阶矩（n次导数对应n阶矩）特征函数φX(t)=E(eitX)φ

泊松过程是一个计数过程

泊松过程{Nt,t≥0}(1)当s<t,P(Ns=k∣Nt=n)=Cnk(st)k(1−st)n−k,k=0,1,…，n泊松过程\{N_t,t\geq 0\} \\(1) 当s < t,P(N_s=k|N_t=n)=C_n^k(\frac{s}{t})^k(1-\frac{s}{t})^{n-k},k=0,1,…，n泊松过程{Nt​,t≥0}(1)当s<t,P(Ns​=k∣Nt​=n)=Cnk​(ts​)k(1−ts​)n−k,k=0,1,…，n《随机过程及其在金融领域中的应用》

E(Nt)=E((λt)kk!e−λt)=λt（泊松过程的期望均值都为λ）E(N_t)=E(\frac{(\lambda t)^k}{k!}e^{-\lambda t})=\lambda t（泊松过程的期望均值都为\lambda）E(Nt​)=E(k!(λt)k​e−λt)=λt（泊松过程的期望均值都为λ）复合泊松过程de定义级性质Yt=∑n=1Ntξn,Nt为泊松过程，ξn独立同分布，则对于任意t≥0Y_t=\sum_{n=1}^{N_t} \xi_n ,N_t为泊松过程，\xi_n独立同分布，则对于

N（t）计数函数X_n "到达"时间间隔S_n 发生时间： x1+x2+ x_n独立增量性？只与时间长短有关，与时间起点无关平稳增量性=独立增量性+iid上界是计数函数

高斯随机向量的分布函数x1∼N(μ1,σ12),x2∼N(μ2,σ22),x1,x2独立x_1\sim N(\mu_1,\sigma_1^2),x_2\sim N(\mu_2,\sigma_2^2),x_1,x_2 \color{red} 独立x1​∼N(μ1​,σ12​),x2​∼N(μ2​,σ22​),x1​,x2​独立p(x1,x2)=12πσ12σ22exp(−12((x1−μ1)2σ12+(x2−μ2)2σ22))p(x_1,x_2)=\frac{1}{2\pi \sqrt{\sig

切比雪夫不等式期望计算:E(X)=∫−∞+∞xf(x)dxE(X)=\int_{-\infty}^{+\infty} xf(x)dxE(X)=∫−∞+∞​xf(x)dx方差(方差顾名思义:（与均值的）差的平方)计算:D(X)=∫−∞+∞(x−E(X))2f(x)dxD(X)=\int_{-\infty}^{+\infty} (x-E(X))^2f(x)dxD(X)=∫−∞+∞​(x−E(X))2f(x)dxD(X)=E2(X)−E(X2)D(X)=E^2(X)-E(X^2)D(X)=E2(X)−E

设X,Y相互独立，均服从[0，1]上的均匀分布，求Z=X+Y的分布设X,Y相互独立，均服从[0，1]上的均匀分布，求Z=X+Y的分布设X,Y相互独立，均服从[0，1]上的均匀分布，求Z=X+Y的分布分布函数法z<0,Fz(z)=00≤z<1,Fz(z)=∫0zdx∫0z−xf(x,y)dy0≤z<1,Fz(z)=1−∫z−11dx∫z−x1f(x,y)dy算完分段函数后再分段求导即可得fz(z)z<0,F_z(z)=0\\0 \leq z <1,F_z(z)=\int

k∗φ((x−a)/b)的均值E(X)=∫−∞+∞xk∗φ((x−a)/b)dx∫−∞+∞xk∗φ(x−ab)dx=k∗∫−∞+∞b∗(x−a)+abφ(x−ab)d(b∗x−ab)=kb2∗∫−∞+∞(x−a)+abφ(x−ab)d(x−ab)=kb2∗∫−∞+∞((x−a)b+ab)φ(x−ab)d(x−ab)=kb2∗∫−∞+∞((x−a)b)φ(x−ab)d(x−ab)+kb2∗∫−∞+∞(ab)φ(x−ab)d(x−ab)=kb2∗∫−∞+∞(ab)φ(x−ab)d(x−ab)=k∗a∗bk*

1、全概率公式：划分并求和公式。2、 贝叶斯公式：条件概率公式1.1添加链接描述X，Y相互独立，X服从-10113\frac{1}{3}31​13\frac{1}{3}31​13\frac{1}{3}31​Y服从0，1上的U均匀分布求Z=X+Y

假设检验

由均值方差的性质,Z=x−μσ，则E(z)=0,var(z)=1由均值方差的性质,Z=\frac{x- μ}{\sqrt{σ}}，则E(z)=0,var(z)=1由均值方差的性质,Z=σ​x−μ​，则E(z)=0,var(z)=1

∫−∞∞e−x2dx=π的推导\int _ { - \infty } ^ { \infty }e^{-x^2} dx= \sqrt { \pi } 的推导∫−∞∞​e−x2dx=π​的推导∬e−x2e−y2dxdy=∬e−(x2+y2)dxdy⟶dxdy=rdθdr∫02πdθ∫0+∞12er2dr2\iint e^{-x^2}e^{-y^2}dxdy=\iint e^{-(x^2+y^2)}dxdy \stackrel{dxdy=rdθdr}{\longrightarrow} \int_0

具有可加性的分布：X服从参数为λ1的泊松分布，Y服从参数为λ2的泊松分布，X与Y相互独立，Z=X+Y，求证Z服从参数为λ1+λ2的泊松分布X 服从参数为 λ_1的泊松分布，Y 服从参数为λ_2的泊松分布，\\X 与 Y 相互独立，Z=X+Y，求证 Z 服从参数为λ_1+λ_2 的泊松分布X服从参数为λ1​的泊松分布，Y服从参数为λ2​的泊松分布，X与Y相互独立，Z=X+Y，求证Z服从参数为λ1​+λ2​的泊松分布离散型：ppp独立的泊松分布之和仍服从泊松分布独立的泊松分布之和是否仍服从泊松分布?

矩估计de原理：E(1n∑i=1nxik)=E(xk)矩估计de原理：E(\frac{1}{n}\sum_{i=1}^{n}x_{i}^k)=E(x^k)矩估计de原理：E(n1​i=1∑n​xik​)=E(xk)证明：证明：证明：

一维随机变量函数的分布和一类不能用还原法解出的二维随机变量函数的分布

二项分布&泊松分布&泊松过程&指数分布过程：事物发展所经过的程序(processes)-分布期望方差B(n,P)Cnkpk(1−p)n−kC _ { n } ^ { k}p^k(1-p)^{n-k}Cnk​pk(1−p)n−knpnp(1-p)P(λ)λke−λk!\frac{ λ^ke^{-λ}}{k!}k!λke−λ​λλ指数分布E(λ)λe−λx(x>=0),0(x<0) λe^{-λx}(x>=0),0(

关键词：独立 独立同分布 不相关独立：P(A*B)=P(A)*P(B)二维：pij=pi⋅∗p⋅jp_{ij}=p_{i·}*p_{·j}pij​=pi⋅​∗p⋅j​(独立与相容：互不相融 AB=Φ )#mermaid-svg-kO8QXFBdScEgocEy .label{font-family:'trebuchet ms', verdana, arial;font-family:var(--mermaid-font-family);fill:#333;color:#333}#mermaid-sv

对于N(0,1)标准正太分布总体的抽样分布χ^2分布,t分布，f分布χ^2分布：χ2(n)=X12+X22+……+Xn2χ^2(n)=X_1^2+X_2^2+……+X_n^2χ2(n)=X12​+X22​+……+Xn2​t分布t(n)=XY/nt(n)=\frac{X}{\sqrt{Y/n}}t(n)=Y/n​X​f分布F(m,n)=Y1/mY2/nF(m,n)=\frac{ Y_1/m}{Y_2/n}F(m,n)=Y2​/nY1​/m​伽马函数-利用偶函数性质与换元-正态分布对普通正态总

极大似然估计=极大+似然(可能性)+估计极大似然估计的重要元素： 取对数 +求导矩(xn的期望)估计：{对总体的均值与方差的估计:μ^=1n∑xi,σ^2=1n∑(xi−xˉ)2用参数表示矩后，由等式关系解出参数矩(x^n的期望)估计：\\ \begin{cases}对总体的均值与方差的估计 : \hatμ=\frac{1}{n}\sum x_i,\hatσ^2=\frac{1}{n}\sum (x_i-\bar x)^2\\用参数表示矩后，由等式关系解出参数\end{cases}矩(x

Gamma公式展示 Γ(n)=(n−1)!∀n∈N\Gamma(n) = (n-1)!\quad\foralln\in\mathbb NΓ(n)=(n−1)!∀n∈N 是通过 Euler integralΓ(z)=∫0∞tz−1e−tdt .\Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,.Γ(z)=∫0∞​tz−1e−tdt.$$\Gamma(1) =1，\Gamma( ) =1$$...

H(N,M,n):超几何分布B(n,P) :二项分布P(λ)：泊松分布/Poisson分布H⟶N→+∞B⟶n很大p很小PH\stackrel{N\rightarrow +\infty}{\longrightarrow} B\stackrel{n很大p很小}{\longrightarrow}PH⟶N→+∞​B⟶n很大p很小​P产品质量的不放回抽检中,若N件产品中有M件次品,抽检n件时所得次品数X=k 的概率,当N为无穷大时,超几何分布就是二项分布离散型分布期望方差H(