请问下面这道线性代数的 解题思路 有什么问题吗?我按照这个思路解出:8,但是正确答案是:2。
2个回答
展开全部
均匀分布(uniform distribution),
最大似然估计(maximum likelihood estimation)
正态分布(Normal distribution)又名高斯分布(Gaussian distribution)
Bayes' Rule-贝叶斯定理.贝叶斯定理由英国数学家贝叶斯 ( Thomas Bayes 1702-1761 ) 发展,用来描述两个条件概率之间的关系,比如 P(A|B) 和 P(B|A)。按照乘法法则:P(A∩B)=P(A)*P(B|A)=P(B)*P(A|B),可以立刻导出。如上公式也可变形为:P(B|A)=P(A|B)*P(B)/P(A)
第一题,均匀分布,分布的概率密度是1/a,均值mean用{x*概率密度}在0到a上积分。方差可以先算x^2的期望,再减去(均值的平方)。
第二题,极大似然估计先构造似然函数 L(a)=(a-x1)(a-x2)……(a-xn),然后对L求导=0,解出a的表达式。
第三题,前一个算P(u+v<y),第二个算P(u*v<z)第三个算分别算上下部分的均值。第4个算P(0.5u+0.5v<w)
第四题,1/2概率拿到假币*假币头像的概率1+1/2概率拿到真币*假币头像的概率1/2,扔出头像是,是假币的概率是【1/2概率拿到假币*假币头像的概率1】/【1/2概率拿到假币*假币头像的概率1+1/2概率拿到真币*假币头像的概率1/2】
下方1,化为【 E(x平方)】-【(Ex)的平方】
最大似然估计(maximum likelihood estimation)
正态分布(Normal distribution)又名高斯分布(Gaussian distribution)
Bayes' Rule-贝叶斯定理.贝叶斯定理由英国数学家贝叶斯 ( Thomas Bayes 1702-1761 ) 发展,用来描述两个条件概率之间的关系,比如 P(A|B) 和 P(B|A)。按照乘法法则:P(A∩B)=P(A)*P(B|A)=P(B)*P(A|B),可以立刻导出。如上公式也可变形为:P(B|A)=P(A|B)*P(B)/P(A)
第一题,均匀分布,分布的概率密度是1/a,均值mean用{x*概率密度}在0到a上积分。方差可以先算x^2的期望,再减去(均值的平方)。
第二题,极大似然估计先构造似然函数 L(a)=(a-x1)(a-x2)……(a-xn),然后对L求导=0,解出a的表达式。
第三题,前一个算P(u+v<y),第二个算P(u*v<z)第三个算分别算上下部分的均值。第4个算P(0.5u+0.5v<w)
第四题,1/2概率拿到假币*假币头像的概率1+1/2概率拿到真币*假币头像的概率1/2,扔出头像是,是假币的概率是【1/2概率拿到假币*假币头像的概率1】/【1/2概率拿到假币*假币头像的概率1+1/2概率拿到真币*假币头像的概率1/2】
下方1,化为【 E(x平方)】-【(Ex)的平方】
追问
有病吧
本回答被网友采纳
已赞过
已踩过<
评论
收起
你对这个回答的评价是?
推荐律师服务:
若未解决您的问题,请您详细描述您的问题,通过百度律临进行免费专业咨询