mu

原文链接 安装所需的包 wants <- c("coin") has <- wants %in% rownames(installed.packages()) if(any(!has)) install.packages(wants[!has])> 一个样本 测试 set.seed(123) medH0 <- 30 DV <- sample(0:100, 20, replace=TRUE) DV <- DV[DV != medH0] N <- length(DV) (obs <- sum(DV > medH0)) [1] 15 (pGreater <- 1-pbinom(obs-1, N, 0.5)) [1] 0 .02069 (pTwoSided <- 2 * pGreater) [1] 0 .04139 威尔科克森排检验 IQ <- c(99, 131, 118, 112, 128, 136, 120, 107, 134, 122) medH0 <- 110 wilcox.test(IQ, alternative="greater", mu=medH0, conf.int=TRUE) Wilcoxon signed rank test data: IQ V = 48, p- value = 0.01855 alternative hypothesis: true

单因素方差分析(One-Way Analysis of Variance) 判断控制变量是否对观测变量产生了显著影响 分析步骤 1. 建立检验假设 　　 - H0：不同因子水平间的均值无差异 　　- H1：不同因子水平间的均值有显著差异 　　- 【注意】有差异，有可能是所有因子水平间都存在差异，也有可能只有两个因子水平间的均值存在差异 2. 计算检验统计量F值 　　F = MSA / MSE 　　MSA = SSA / ( k - 1 ) MSA：组间均方, 对总体方差的一个估计 　　MSE = SSE / ( n - k ) MSE：组内均方,不论H0是否为真，MSE都是总体方差的一个无偏估计 　　SST = SSA + SSE SST：总误差平方和，反映全部观测值的离散情况 SSA:组间误差平方和，也称水平项误差平方和，反映各因子水平（总体）的样本均值之间的差异程度 SSE: 组内误差平方和 3. 确定P值 4. 方差分析表 5. 根据给定的显著性水平，并作出决策 　　根据F值进行假设检验 　　根据选定的显著性水平，F值大于临界值时，将拒绝原假设 　　根据P值进行假设检验 6. 进一步分析 方差齐性检验 多重比较检验 　　- 确定控制变量的不同水平对观测变量的影响程度 　　- 哪个水平的作用明显区别于其他水平 　　- 哪个水平的作用是不显著 　　- 等等 【python分析

每次问NC做多项式的题需要什么知识点。 各种数。 各种反演。 多项式全家桶。 然后我就一个一个地学知识点。然而还差好多，学到后面的前面的已经忘了（可能是我太菜吧不是谁都是NC啊） 然后发现每个知识点基本只做一道题，肯定会忘，所以再归纳一下。 不附证明只写结论以便查阅，如果需要证明还是自行百度。 第一类斯特林数 含义：$\left[ ^k_n \right]$表示讲n个元素划分为k个环的方案数。 递推公式：$\left[ ^k_n \right] = \left[ ^k_{n-1} \right] \times (n-1)+ \left[ ^{k-1}_{n-1} \right]$ 求一行：$\left[ ^k_n \right]$是多项式$f_n(x) = \prod\limits_{i=0}^{n-1} (x+i)$的k次项系数。这个多项式乘法可以进行分治递归求解，复杂度$O(nlog^2n)$。存在$O(nlogn)$的做法，比较复杂，贴一个 链接 。 应用：$x^{\overline{n}}=\sum\limits_{k=0}^{n} \left[ ^k_n \right] x^k$。比较少见。 第二类斯特林数 含义：$\left\{ ^k_n \right\}$表示讲n个元素划分为k个集合的方案数。 递推公式：$\left\{ ^k_n \right\} =\left\{

Central limit theorem(中心极限定理) the central limit theorem (CLT) establishes that, in some situations, when independent random variables are added, their properly normalized sum tends toward a normal distribution (informally a "bell curve") even if the original variables themselves are not normally distributed.The theorem is a key concept in probability theory because it implies that probabilistic and statistical methods that work for normal distributions can be applicable to many problems involving other types of distributions. 当样本容量N趋于无穷大时，N个样本的均值的频率将 趋向于 正态分布。As your sample size become larger,

传送门 Description 　　Bytetown城市要进行市长竞选，所有的选民可以畅所欲言地对竞选市长的候选人发表言论。为了统一管理，城市委员会为选民准备了一个张贴海报的electoral墙。 张贴规则如下： electoral墙是一个长度为N个单位的长方形，每个单位记为一个格子； 所有张贴的海报的高度必须与electoral墙的高度一致的； 每张海报以“A B”表示，即从第A个格子到第B个格子张贴海报； 后贴的海报可以覆盖前面已贴的海报或部分海报。 现在请你判断，张贴完所有海报后，在electoral墙上还可以看见多少张海报。 Input 　　第一行： N M 分别表示electoral墙的长度和海报个数 　　接下来M行: Ai Bi 表示每张海报张贴的位置 Output 　　输出贴完所有海报后，在electoral墙上还可以看见的海报数。 Sample Input 100 5 1 4 2 6 8 10 3 4 7 10 Sample Output 4 Hint 　 　　10<= N <= 10000000 1<=M<=1000 1<= Ai <= Bi <=10000000 　　所有的数据都是整数。数据之间有一个空格 Solution 　　考虑暴力修改 上界复杂度将达到O(nm)。显然扯淡。 　　考虑进行优化。由于是对区间操作。最后输出答案也相当于对区间[1,n]进行询问

先简单介绍一下ILA（Integrated Logic Analyzer）生成方法。这里有 两种办法 完成Debug Core的配置和实现。 方法一、mark_debug综合选项+Set Up Debug设定ILA参数。 1、在信号（reg或者wire）声明处加mark_debug选项，方法如下： // spi_mosi信号标记为需要ILA观测的信号 (* MARK_DEBUG = “TRUE” *) wire spi_mosi; mark_debug用法的详细说明请看Xilinx文档UG901_Synthesis 2、综合，进行 Run Synthesis 3、Open Synthesized Design，打开Set Up Debug，如图： 4、为ILA Debug Core添加需要观测的信号，结果如图： 每一个信号都要指定一个采样时钟域（Clock Domain）。 关于添加方法，还可以在Netlist窗口拖动信号到这个列表内。 注意到Netlist中有些信号名称前面有了绿色的小蜘蛛（小星星） ，正是Verilog程序中进行mark_debug的信号： 5、在Set Up Debug中设定信号采样收集的深度（Sample of data depth），输入流水级别数（Input pipe stages），Capture control和Advanced trigger选项。

jstat -gc pid time 如：每3秒打印一次jvm使用情况 [root@i-5uvhvror bin]# ./jstat -gc 17474 3s S0C S1C S0U S1U EC EU OC OU MC MU CCSC CCSU YGC YGCT FGC FGCT GCT 2560.0 2560.0 1712.5 0.0 2790912.0 1661843.1 5592576.0 230780.6 136704.0 129435.4 15872.0 14462.4 412 5.087 0 0.000 5.087 2560.0 2560.0 1712.5 0.0 2790912.0 1669230.1 5592576.0 230780.6 136704.0 129435.4 15872.0 14462.4 412 5.087 0 0.000 5.087 2560.0 2560.0 1712.5 0.0 2790912.0 1689227.3 5592576.0 230780.6 136704.0 129435.4 15872.0 14462.4 412 5.087 0 0.000 5.087 各列的解释： S0C: 年轻代中第一个存活区的总大小（KB） S1C: 年轻代中第二个存活区的总大小（KB） S0U: 年轻代中第一个存活区目前已使用大小（KB） S1U:

Python vs C++ 对比课 在本课中，你将学习如何用 C++ 编写类。像以前的课程一样，你需要比较 Python 的编程方式和 C++ 中编程方式的不同。 我们直接看例子。下面是一个名为 “Gaussian” 的 Python 类代码。该类包含两个类变量：平均值 “mu”，以及方差 “sigma2”。 你学过高斯分布，并在之前的纳米学位中看过这些方程。 类包括三个函数： evaluate ，它表示概率密度函数 。 multiply ，它将两个高斯分布相乘。 add ，它将两个高斯分布相加。 Gaussian 类的 Python 代码 class Gaussian(): def __init__(self, mean, variance): self.mu = mean self.sigma2 = variance def evaluate(self, x): coefficient = 1.0 / sqrt( 2.0 * pi * self.sigma2) exponential = exp(- 0.5 * (x-self.mu) ** 2 / self.sigma2) return coefficient * exponential def multiply(self, other): # 计算新均值 denominator =self.sigma2+ other

点个赞，看一看，好习惯！本文 GitHub https://github.com/OUYANGSIHAI/JavaInterview 已收录，这是我花了3个月总结的一线大厂Java面试总结，本人已拿腾讯等大厂offer。 在前面的一篇文章 深入理解Java虚拟机-如何利用VisualVM进行性能分析 中讲到了一些关于JVM调优的知识，但是，其实，还是有一些问题没有非常清楚的可以回答的，这里先给出几个问题，然后，我们再展开这篇文章需要讲解的知识。 我们生成的对象最开始在哪分配？Eden？Survivor？还是老年代呢？ 进入到老年代需要满足什么条件呢？ 接下来，我们就带着这两个问题展开全文。 1 对象优先在哪分配 其实，通过前面几篇文章的讲解，这个问题其实已经见怪不怪了，在大多数的情况下，对象都是在新生代 Eden区 分配的，在前面的文章我们提到，在Eden区中如果内存不够分配的话，就会进行一次 Minor GC 。同时，我们还知道年轻代中默认下 Eden：Survivor0：Survivor2 = 8：1：1 ，同时，还能通过参数 -XX:SurvivorRatio 来设置这个比例（关于这些参数的分析都可以查看这篇文章： 深入理解Java虚拟机-常用vm参数分析 ）。 下面我们通过一个例子来分析是不是这样的。 1.1 实例 给定JVM参数：-Xms40M -Xmx40M

16年写的程序，今天晚上找到了，拿出来看看，记录一下。 IfcWallStandardCase #750964:[ Name:基本墙:Interior - Partition:937935 GlobalId:0$rKT9NFjEMv0x0ItfNT0j OwnerHistory:#41 IfcOwnerHistory LoadBearing:false ExtendToStructure:true IsExternal:false Reference:Interior - Partition 体积:0.748777952048025 面积:6.23981626706689 长度:1836.99999999983 RelatedObjects:[3cD8f9U_997xzXI3NHxEKd 3sxBt4car5DwvUBovZE1Fn 1DIF9mSXTD9fGFkYkboEp$ 3Kr3FkZnjBCgKjGvu72Raz 25p9Hc0kL3Qh9Cs$O1pHdU 0a_k15MGn4a9QGq20_Hxzb 2g27CqKDXBwAp2w2lX6I7V 1P6hRBfVT97Q70uTWSCKg0 2uh6pNYpT14vxjXzmDfHVP 1GpOWDBtPDDQAllr2jhKpo 1p7Qqu38PBux2T$H48mbXt