企业官网建设流程全解析

建站公司新闻资讯,怎么做企业网站教程视频,微信小程序开发制作多少钱,app营销网站建设假设 \(x_1, x_2, \dots, x_n\) 是来自未知概率密度函数 \(f\) 的独立同分布样本。我们要根据这些样本估计 \(f\)。 当样本量\(n\)固定的时候#xff0c;我们定义出一个\(h_n\)#xff0c;同时从\(f\)中抽取\(n\)个样本#xff0c;得到估计函数\(\hat{f}_{h_n}(x)\) KDE 的估…假设\(x_1, x_2, \dots, x_n\)是来自未知概率密度函数\(f\)的独立同分布样本。我们要根据这些样本估计\(f\)。当样本量\(n\)固定的时候我们定义出一个\(h_n\)同时从\(f\)中抽取\(n\)个样本得到估计函数\(\hat{f}_{h_n}(x)\)KDE 的估计函数\(\hat{f}_{h_n}(x)\)定义为\[\hat{f}_{h_n}(x) \frac{1}{nh_n} \sum_{i1}^{n} K\left(\frac{x - x_i}{h_n}\right) \]其中\(n\)样本数量。\(K(\cdot)\)核函数 (Kernel Function)。\(h_n\)带宽 (Bandwidth)也称为平滑参数。对每一个固定的\(n\)如果我们固定\(x\)那么估计函数就是一个随机变量(每抽取\(n\)个样本就可以得到不同的\(x_1,x_2,...,x_n\))所以可以算出这个随机变量的均值如果核函数和\(h_n\)满足一定的性质那么就可以证明估计函数的一致性也就是对于任意\(\epsilon 0\)和任意\(x\)\[\lim_{n \to \infty} P(|\hat{f}_n(x) - f(x)| \epsilon) 0 \]直观理解用那个啥堆沙子但是其实我觉得也不好理解直方图能理解的原因是因为频率趋近于概率堆沙子是什么鬼