基于无放回抽样的帕尔森窗口集成方法

为解决大规模数据集的概率密度函数估计问题,提出一种基于无放回抽样的帕尔森窗口集成(sampling without replacement-based Parzen window ensemble,SR-PWE)方法,该方法在不需要利用全部数据的前提下,能够以较低的计算复杂度获得令人满意的概率密度函数估计表现.基于无放回抽样得到的若干原数据集的数据子集,利用帕尔森窗口法在数据子集上进行基概率密度函数估计,并将抽样上估计的基概率密度函数集成得到原始数据集的概率密度函数.通过在柯西分布和正态分布上对比帕尔森窗口法和SRPWE方法的概率密度函数估计表现,证实SR-PWE方法可行且有效.

《抽样调查》教学中无放回随机抽样的R软件实现

在讲授抽样调查的基本思想和方法的同时,利用统计软件进行辅助教学越来越受到重视。利用统计软件,把理论与实践相结合也是高等教育中培养应用型人才的重要途径。本文以无放回简单随机抽样为例介绍R统计软件在抽样调查教学中的应用。

一种隐含的随机化回答技术

提出一种间接问卷调查方法,用于对总体敏感属性比例的估计,并讨论了个体隐私保护度与估计量精度之间的关系.该方法不仅适用于问卷调查,亦可用于网络调查,具有广泛的实用性.

小样本条件下基于GA-BP的CO方案评估

基于对作战方案评估及网络空间作战理论的分析,构建了网状网络空间作战方案评估指标体系。由于评估指标体系指标间关系非独立且非线性明显,同时可供量化提取的评估数据样本容量较小,依据统计学基本原理,提出无放回抽样样本扩充方法与GA-BP神经网络模型相结合的评估模型。解决了非独立、非线性评估指标评估问题和GA-BP面对小样本时随机性大、评估精度不高的问题。经验证,基于无放回抽样样本扩充方法优化的模型评估精度高、稳定性强,能提供正确的网络空间作战方案评估结论,为指挥员指挥决策提供可靠依据。

关于负超几何分布期望与方差算法的注记

研究了非还原取样模型中负超几何随机变量的联合分布,得到了若干有用的推论.据此给出了负超几何分布的期望和方差的一种分解算法.

一道摸球问题的猜想证明及延伸

研究了常见的一道摸球模型,证明了与其相关的四种不同的摸球问题,并在此模型的基础上延伸出常见的几类离散型分布,结合相关例题给出常见的摸球问题的一些分析方法。

有限总体的岭型主成分预报

本文研究了无放回抽样下有限总体单元特征任何线性函数θ=l＇y的岭型主成分预报,给出简单岭型主成分预报和两个自适应岭型主成分预报在预报均方误差(PMSE)准则下优于ζ—BLU预报的条件。

生成函数在概率计算中的应用

本文通过引入生成函数为无放回取样,取样的对象有不同的类型,而且相同类型的对象是不可区分的试验中概率的计算提供了一种非常有效的方法。

概率计算中应区分的三类概念

通过对“有放回”与“无放回”、“排列”与“组合”、“相同”与“不同”三类概念区别的分析。

古典概型要点解读

一、一个理解——对古典概型的理解 1.一个试验是否为古典概型,在于这个试验是否具有古典概型的两个特点——有限性和等可能性,只有同时具备这两个特点的概率模型才是古典概型。正确判断试验的类型是解决概率问题的关键。

两种基本抽样法与相应估值的优劣性比较

(一)问题的提出 在大规模调查抽样论中,随机抽样与分层抽样是最基本的,其相应的估值法常采用简单估值法(记为SE法)与比估值法(记为RE法),运用数理统计知识的实际工作者通常遇到三个理论问题的困惑。

二项分布与超几何分布的区别与联系

在《选修2-3》我们学到了超几何分布和二项分布,但是学生在考试过程中经常将二者混淆.因此,有必要阐述一下这类问题的解法.例袋中有8个白球、2个黑球,从中随机地连续抽取3次,每次取1个球.求：（1）有放回抽样时,取到黑球的个数X的分布列;（2）无放回抽样时,取到黑球的个数Y的分布列.1有无放回是区分的关键二者的本质都属于古典概型问题.（1）有放回的抽样抽取3次包含基本事件的个数为10~3个。

古典概率解题注记

本文的目的在于:对目前见到的一个概率问题的两种解法提出一点看法.并给出该问题的正确解法。在此基础上,概率论中的等可能性解题作点注记。 (一)一个概率问题 复旦大学数学系编《概率论》中有这样一个概率问题: