概率的理解
最大似然估计的理解
概率密度函数的理解
定义参考
https://blog.csdn.net/az9996/article/details/102703057
通俗来说,用密度的方式表示了随机变量概率的大小,分布函数F(x)的导数(可以从原函数和导数之间的关系去理解,参考高数中的积分上限的函数)
考虑一个经典的扔小球的模型:将某一区间分成n份并向其中随机地扔球,那么f(x)越大,在点x附近的球就越多,也就是说,f(x)是小球的“密度”。
来自 https://www.zhihu.com/question/263467674
联合分布的概率密度函数
极大似然函数
来自 https://www.zhihu.com/question/54082000
- 不同样本点的概率分布相互独立,因此联合分布直接将边缘分布相乘即可
- 概率密度函数和似然函数,是同一个函数选择了不同的未知数和参数的不同理解
- 已知的样本点概率最大的概率分布的参数值认为是参数值的极大似然估计
求导
标量和向量和矩阵的求导
范数的求导
PRML 1.108
变分法求泛函的导数的技巧
参考链接
关于窗函数
t检验
假设+置信区间(正态分布)那一套东西
无论是单数据列还是双数据列,单边检测还是双边检测,直接套用代码就ok
pyhton 进行t检验 函数
ttest_1samp()
ttest_1samp(alternative='greater')
def ttest_1samp(a, popmean, axis=0, nan_policy='propagate',
alternative="two-sided"):
"""Calculate the T-test for the mean of ONE group of scores.
This is a two-sided test for the null hypothesis that the expected value
(mean) of a sample of independent observations `a` is equal to the given
population mean, `popmean`.
Parameters
----------
a : array_like
Sample observation.
popmean : float or array_like
Expected value in null hypothesis. If array_like, then it must have the
same shape as `a` excluding the axis dimension.
axis : int or None, optional
Axis along which to compute test; default is 0. If None, compute over
the whole array `a`.
nan_policy : {'propagate', 'raise', 'omit'}, optional
Defines how to handle when input contains nan.
The following options are available (default is 'propagate'):
* 'propagate': returns nan
* 'raise': throws an error
* 'omit': performs the calculations ignoring nan values
alternative : {'two-sided', 'less', 'greater'}, optional
Defines the alternative hypothesis.
The following options are available (default is 'two-sided'):
* 'two-sided'
* 'less': one-sided
* 'greater': one-sided
.. versionadded:: 1.6.0
Returns
-------
statistic : float or array
t-statistic.
pvalue : float or array
Two-sided p-value.
对于单侧检验和双侧检验实际是参数不同
https://blog.csdn.net/m0_37777649/article/details/74938120
单侧检验
https://blog.csdn.net/shiniantianlang/article/details/109079603
对于一个多变量的对偶问题的求解
问题
对于转化的原则参考
我们根据拉格朗日算子去求解对应的对偶问题 这里就是要消除w和另一个参数
解答过程如下:
这里其实还有一个疑问,为什么少了一个约束