1.最小二乘法
最小二乘法的定义
简单的定义:有一个点集,在坐标轴上可以用一条直线
f(t)=at+b 来进行拟合。通过点集上的点到直线的距离最小的和:
M=i=0∑n∣yi−f(ti)∣
来确定这条直线是否为最合适的。
这种根据偏差的平方和为最小的条件来选择常数a、b的方法就做最小二乘法。
多元函数的极值及其求法
设函数
z=f(x,y) 在点
(x0,y0) 具有偏导数,且在点$ (x_0,y_0)$处有极值,则有
fx(x0,y0)=0,fy(x0,y0)=0
最小二乘法的求解方法
把上述的求和函数看成与自变量a和b相对应的因变量,可以归结为函数
$ M=M(a,b)$
要求得M的最小值
可以通过以下的方程组进行求解a,b
\begin{cases}
M_a(a,b)=0,\
M_b(a,b)=0
\end{cases}
求得 a和b的值,就可以得到一个经验公式进行值的估计。
2.全概率公式
全概率公式的条件:
设
B1,B2,...为有限或无限个事件,他们两两互斥且在每次试验中至少发生一个,用式表之:
$B_iB_j=\varnothing(不可能时间),当i\neq j $
B1+B2+...=Ω(必然事件)
全概率公式如下:
P(A)=P(AB1)+P(AB2)+...+P(ABn)
P(A)=P(B1)P(A∣B1)+P(B2)P(A∣B2)+...+P(Bn)P(A∣Bn)
一般理解,事件A时在
某种事件途径Bi条件下产生的,但时那种途径时随机的,所以事件A发生的综合概率
P(A)应该在
P(A∣Bi)的最大和最小值之间,但也不一定是算数平均,这里取的是加权平均。
3.贝叶斯公式
贝叶斯公式推导
P(B∣A)=P(ABi)/P(A)
P(B∣A)=P(BI)P(A∣Bi)/j∑P(Bj)P(A∣Bj)
如果我们把事件A看成“结果”,把诸事件
B1,B2,...看成导致这结果的可能的“原因”,则可以形象地把全概率公式看作成为“由原因推结果”;而贝叶斯公式则恰好相反,起作用在于“由结果推原因”;现有一个结果“A”已经发生,在众多可能的“原因”中,到底是哪一个导致了这结果?贝叶斯公式说,个原因可能性大小与
P(Bi∣A)成比例
4.协方差