機率統計教學錄影數學符號數學基礎排列組合機率統計簡介機率機率公理隨機變數連續測度單一分布條件機率聯合分布貝氏定理動差生成函數特徵函數機率法則匯總離散分布二項分布多項分布負二項分布幾何分布超幾何分布布瓦松分布連續分布均勻分布常態分布Gamma 分布指數分布卡方分布柯西分布Weibull 分布T 分布F 分布Beta 分布多維分布統計抽樣敘述統計推論統計中央極限定理估計方法單組樣本估計兩組樣本估計檢定方法單組樣本檢定兩組樣本檢定平均値的推論變異數的推論無母數推論迴歸分析變異數分析實驗設計因子實驗品質管制時間序列數據分類統計定理匯總統計情況分類計算統計蒙地卡羅法最大似然法則假說與學習EM 算法簡單貝氏分類貝氏網路隨機過程馬可夫鏈蒙地卡羅馬可夫資源範例投影片教學錄影練習題考題解答訊息相關網站參考文獻最新修改簡體版English |
簡介計算統計學乃是研究如何用電腦程式尋找統計模型的學問,其方法主要是將假說 (hypothesis) 的概念融入到機率分布當中,利用『最大似然法則』(Maximum Likelihood) 或者『最大熵法則』(Maximum Entropy) 進行最佳化的尋找,以便學習出良好的機率模型。這種學習出來的良好機率模型,可以用來預測下一個樣本出現的機率。 當程式找出良好的機率模型之後,就可以利用『最大效用法則』,找出最有利的理性決策。這種方法已經廣泛被用在今仍計算與人工智慧的機器翻譯當中,得到相當好的成果。但是大部分的文獻當中都是以數學的方式闡述計算統計學通的理論,這將不利於程式設計師學習。本文將完全採用程式設計師的觀點,將這些數學落實為 C# 程式。 筆者為此建立了一個程式專案,稱為 CSCS (Computational Statistics in C Sharp),以下將描述 CSCS 專案的設計原理。 基本機率物件實作樣本點 (Sample Point)
隨機試驗 (Random Experiment)
樣本空間 (Sample Space)
事件 (Event)
隨機變數 (Random Variable)
機率分布 (Probability Distribution)
機率源 (Probability Source)
|
計算統計學 (程式實作) -- 基本的機率物件
page revision: 10, last edited: 06 Oct 2010 10:35
Post preview:
Close preview