1樓：此刻站在這裡
標準正太分佈的分位點概率。。好像是直接給出來的。。查表獲得。。
而計算公私應該是更高層次的才會學習的。。只有x分佈，f分佈，t分佈的分位點概率。。是基於z分佈的分位點，通過公式計算可得。
相關公式在一般的概率書籍都能找到。。至於如果樓主是想程式使用z分佈分位點。。我建議。
樓主可以這樣做。。z分佈上取幾十個典型的分位點。。查表獲得。。
而在這些分位點之間的點。就想象成。是上述分為點的線段，也就是線性的函式了。。
那麼用程式很容易做出來的。斜率這些通過左右分為點就可以得到。。。至於精確度。。
就看你打算取多少分為點做為標準了。。取越多肯定越精確。。。
2樓：匿名使用者
非查表不可啊。
就算是程式設計，也得把表輸入。
讓程式去查表。
如果你需要，我可以幫你做乙個。
3樓：匿名使用者
年的大綱上都要求掌握這部分的內容，其實那部分的很簡單的，你只要把那幾種案例看了，基本都會懂的，你最好還是掌握住，俗話說不怕一萬就怕萬一，萬一今年考到這類題就慘了，我是2010年的考生，我當初複習的時候就是在最後看的這部分的題，你不用怕的，即使要考都是考的很簡單。你要相信自己的能力，要有信心，考研最主要的是要堅持到底，好多人都是在半途就放棄了，希望你能克服重重困難考生你理想中的學校。
4樓：網友
不查表怎麼換算啊，我還沒聽說過別的方法，期待。
引數估計的型別有
5樓：好人一生平安
引數估計有最小二乘法。
和極大似然法兩種方法。
最小二乘法：為了選出使得模型輸出與系統輸出儘可能接近的引數估計值，可用模型與系統輸出的誤差的平方和來度量接近程度。使誤差平方和最小的引數值即為所求的估計值基旅。
極大似然法：選擇引數，使已知資料在某種意義下最可能出現。某種意義是指似然函式。
最大，這裡似然函式是資料y的概率分佈函式。與最小二乘法不同的是，極大似然法需要已知這個概率分佈函式。
在已知系統模型結構時，用系統的輸入和輸出資料計算系統模型引數的過程。18世紀末德國數學家高斯。
首先提出引數估計的方法，他用最小二乘法計算天體執行的軌道。20世搏肢凳紀60年代，隨著電子計算機。
的普及，引數估計有了飛速的發展。引數估計有多種方法，有最小二乘法、極大似然法、極大驗後法、最小風險法和極小化極大熵法飢悄等。在一定條件下，後面三個方法都與極大似然法相同。
引數估計的三種方法
6樓：敬禕
引數估計的三種常用方法是：最大似然估計、最小二乘估計、貝葉斯估計。
一、最大似然估計。
最大似然估計是一種用於估計模型引數的常用方法。它假設資料服從某種已知分佈，通過最大化觀測資料出現概率的方式來估計模型引數。具體而言，給定乙個樣本集合，mle尋找乙個使得該樣本集合出現概率最大的引數值作為模型引數的估計值。
在實踐中，通常使用對數似然函式來進行求解。
二、最小二乘估計。
最小二乘估計是一種用於解決迴歸問題中的引數估計方法。它通過最小化模型**值與真實觀測值之間的誤差平方和來估計引數。這種方法適用於線性多項式迴歸等問題，在這些問題中，梁弊可以使用損失函式來描述**值與真實值之間的差異，並使用梯度下降等優化演算法來求解模型引數。
三、貝葉斯估計。
貝葉斯估計是一種基於貝葉斯定理的方法，它考慮乙個先驗分佈和觀測資料之間的關係，以此計算出乙個後驗分佈，並以後驗分佈作為引數估計的依據。與最大似然估計和最小二乘估計不同，貝葉斯估計會引入先驗分佈，這意味著我們需要對引數的可能值進行一定的主觀估測。
引數估計的數值通常是近似值，而不是絕對準確的值。這是因為引數估計涉及到從樣本資料中推斷總體引數的過程，而樣本資料只是總體的乙個行坦有限的子集，可能不完全反映總體的真實情況。此外，引數估計方法本身也可能存在誤差和偏差，這些因素都會導致引數估計結果與實際引數值之間存在差異。
因此，在進行引數估計時應該注意評估估計結果的可靠性，並在必要時採取相應的措橡帶族施來糾正或修正估計值。
請簡述引數、引數估計量和引數估計值之間的區別？
7樓：嫉滓滓億
引數估計量和估計值不一樣。
估計量是用來估計未知引數的統計量。如估計值指的是未知引數的話，估計值與估計量就不是函式值與函式的關係。但如估計值指的是估計量的一特殊值，那可以認為是函式值與函式的關係。
引數，也叫參變數，是乙個變數。 我們在研究當前問題的時候，關心某幾個變數的變化以及它們之間的相互關係，其中有乙個或一些叫自變數，另乙個或另一些叫因變數。如果我們引入乙個或一些另外的變數來描述自變數與因變數的變化，引入的變數本來並不是當前問題必須研究的變數，我們把這樣的變數叫做參變數或引數。
引數是很多機械設定或維修上能用到的乙個選項，字面上理解是可供參考的資料，但有時又不全是資料。對指定應用而言，它可以是賦予的常數值；在泛指時，它可以是一種變數，用來控制隨其變化而變化的其他的量。簡單說，引數是用來參考的。
引數估計
8樓：輕柔的小雪
引數估計是統計推斷的一種。
引數估計是根據從總體中抽取的隨機樣本來估計總體分佈中未知引數的過程。從估判猛計形式看，區分為點估計與區間估計：從構造估計量的方法講，有矩法估計、最小二乘估計、似然估計、貝葉斯估計等。
要處理兩個問題：（1）求出未知引數的估計量；（2）在一定信度（可靠程度）下指出所求的估計量的精度。信度一般用概率表示，如可信程度為95%；精度用估計量與被估引數（或待估引數）之間的接近程度或誤差來度量。
引數估計的標準特點：
1.無偏性。
無偏性是指估計量抽樣分佈的數學期望等於總體引數的真值。無偏性的含義是，估計量是一隨機變數，對於樣本的每一次實現，由估計量算出的估計值有時可能偏高，有時可能偏低，但這些估計值平均起來等於總體引數的真值。在平均意義下，無偏性表示沒有系統誤差。
2.有效性。
有效性是指估計量與總體引數的離散程度。如果兩個估計量嫌衝坦都是無偏的，那麼離散程度較小的估計量相對而言是較為有效的。離散程度是用方差度量的，因此在無偏估芹桐計量中，方差愈小愈有效。
3.一致性。
一致性，又稱相合性，是指隨著樣本容量的增大，估計量愈來愈接近總體引數的真值。
引數估計
9樓：天然槑
用樣本統計量的某個值直接代表總體引數的估計。有距估計和極大似然估計。
在點估計基礎上，給總體引數估計加上乙個區間範圍，該區間通常用樣本統計值加估計誤差決定。
由構造的樣本統計量估計總體引數的區間範圍，稱為置信區間，最小值賣純旦為置信下限，最大值為置信上限。
樣本不同，得到的置信區間也不同。置信區間中包含總體引數真值的次數所佔的比例稱為置信水平。在某一置信水平下依據具體樣本求得的乙個置信區間，可以理解為我們有多大的把握總體引數真值在這個置信區間內。
注意：置信水平不能理解為，總體引數真值有多大概率落在某個置信區間上；而應該理解為，在多次抽樣得到的置信區間中，有多少比例的置信區間包含總體引數真值
1）無偏性。
樣本估計量的平均值與總體均值相中擾同。
2）有效性。
乙個無偏估計量不代表與它非常接近被估計的引數，還要看估計量的離散程度。兩個樣本對同一總體引數的無偏估計量，其中乙個估計量的標準差比另外乙個小，那麼這個估計量就更有效。
3）一致性。
隨著樣本量的增加，估計量的值越來越接近總體引數值。
由於兩個褲散獨立總體方差比服從以下f分佈：
因此，方差比的置信區間為：
關於電腦硬體引數和記憶體的問題，電腦配置引數效能，及一般電腦引數。
丹心漢青 amd athlon tm 64 processor 3000 1.79ghz 這個是指 你的處理器的 型 號 和你的處理器的頻率256mb的記憶體 這個是你現有的記憶體的大小你的處理器 還可以 記憶體嘛是小了的啊 去加個金士頓的算了 2g的 200多塊錢吧記憶體的型號 引數 這個是看不出...
關於電腦引數的解釋，膝上型電腦各引數的解釋是什麼？
1525 主機板t3200 記憶體2g 硬碟250g 螢幕15.4wxga 顯示卡intel x3100 作業系統linux 6芯電池 一年保修 型號 1330 主機板t64002.0g 記憶體2g 硬碟250g 螢幕13.3wxga 光碟機 rw 燒錄 顯示卡gf8400 128m 作業系統v h...
C 傳值引數的小問題，關於C 函式引數傳遞的問題！好奇葩。。。從未遇到過，求大神解釋
書上說的意思是，i的值通過 ip 0 變成了0，但 i的值沒有受到ip 0 而影響到，換句話說i的值改變了，但i的地址沒有受ip 0 的影響而改變。原因是reset i 傳遞給函式的是一個數值，這個數值是i的地址，函式用這個數值當成指標進行賦值，當函式將這個數值改變時，不會影響到呼叫者變數i的地址。...