正态分布（Normal distribution）又名高斯分布（Gaussian distribution），是一个在数学、物理及project等领域都很重要的概率分布，在统计学的很多方面有着重大的影响力。若随机变量X服从一个数学期望为μ、标准方差为σ2的高斯分布，记为：X～N(μ,σ2),则其概率...
分类：
其他好文 时间：
2015-01-26 11:33:39
阅读次数：
490
原创文章，欢迎转载，转载请注明出处本节主要了解下cvSmooth函数的一些参数对结果的影响。从opencv tutorial中可以看到这样一段话：像我这样的数学渣，还是看下图来得形象：高斯滤波器的说明如下：反正看得我晕，我只知道一点，高斯滤波对于去除服从正态分布的噪声很有效。看来学好数学还是很重要。...
分类：
其他好文 时间：
2015-01-24 19:58:58
阅读次数：
986
library(car)a=c(1,2,3,4,5)b=powerTransform(a)a=bcPower(a,b$lambda);注意，这里的数组a，里面不能有<=0的元素。
分类：
编程语言 时间：
2015-01-20 17:07:48
阅读次数：
228
理解皮尔逊相关的两个角度其一, 按照高中数学水平来理解, 皮尔逊相关（Pearson Correlation Coefficient）很简单, 可以看做将两组数据首先做Z分数处理之后, 然后两组数据的乘积和除以样本数Z分数一般代表正态分布中, 数据偏离中心点的距离.等于变量减掉平均数再除以标准差.(...
分类：
其他好文 时间：
2015-01-20 17:04:06
阅读次数：
228
极大似然估计又称最大似然估计，对于一个已知的模型来说，还有些参数是不确定的，但是有了真实数据，那么这些参数可不可计算出呢？或者估计出最有可能的情况？举个例子，例如有一组来自正态分布（也叫高斯分布）的样本数据，每个样本的数据都独立同分布，比如是正态分布，但正态分布的参数μ,σ都不知道，如果用极大似然估...
分类：
其他好文 时间：
2015-01-16 23:40:51
阅读次数：
238
高斯函数是数学上非常重要的函数，我们熟悉的正态分布的密度函数就是高斯函数，也称高斯分布。而正态分布无疑是概率论与数理统计里最重要的一个分布了。
现在的问题是如果给出一些点集，如何找到一个高斯函数来拟合这些点集呢！
当然，拟合方式还是最小二乘法，拟合函数形式为：
y=a*exp(-((x-b)/c)^2);
一共有三个参数，a、b、c.不过这种指数函数拟合比较难实...
分类：
编程语言 时间：
2015-01-09 17:35:44
阅读次数：
507
正态分布神说，要有正态分布，就有了正态分布。 神看正态分布是好的，就让随机误差服从了正态分布。 创世纪—数理统计1. 正态分布，熟悉的陌生人学过基础统计学的同学大都对正态分布非常熟悉。这个钟形的分布曲线不但形状优雅，它对应的密度函数写成数学表达式f(x)=12π??√σe?(x?μ)22σ2也非常具...
分类：
其他好文 时间：
2015-01-09 10:30:02
阅读次数：
330
“高斯地统计模拟”工具可接受任何的简单克里金模型。不过，仅当输入数据（用于拟合半变异函数以及条件化实现）呈正态分布时模拟结果才有效。...
分类：
其他好文 时间：
2015-01-06 15:42:31
阅读次数：
126
ARIMA模型
前面讲到的指数平滑模型，对于预测误差要求是无相关性并且结果是满足以0为中心的正态分布的。对时间序列作分析是，有些情况下，把相关性考虑进去能做更好的预测。ARIMA模型就包含了对时间序列的无规律部分做预测的模型，在无规律部分，允许出现非零相关性。
对时间序列做差分
ARIMA模型是针对稳定时间序列的。若是你的分析对象是非稳定的时间序列，那么你首先就需要对时间序列做差分，直...
分类：
编程语言 时间：
2015-01-05 18:50:10
阅读次数：
626
数据预处理->数据探索->模型选择->残差检验、共线性争端，强影响点判断->模型修正（否->模型选择，是->模型预测）一：数据预处理二：数据探索看y是否服从正态分布(PP图)proc univariate data=reg.b_fitness; var Runtime -- Performan...
分类：
其他好文 时间：
2014-12-25 16:22:35
阅读次数：
260
