多角度构建样本空间

构建样本空间是分析和求解概率问题的一项基本技能.只有多角度构建样本空间,才能尽快形成这种技能.本文以二题为例,探讨多角度构建样本空间的方法.     

多角度构建样本空间

构建样本空间是分析和求解概率问题的一项基本技能。只有多角度构建样本空间,才能尽快形成这种技能。本文以二题为例,探讨多角度构建样本空间的方法。     

判别分析方法在疾病诊断中的应用

通过一个实例阐述了判别分析方法在现代医学疾病诊断中的具体应用,从而体现了其重大的现实意义和经济价值。     

谈谈古典样本空间的选取

<正> 随着科学技术的发展,概率论与数理统计在众多的学科中得到越来越广泛的应用,然而,概率统计是研究随机现象统计规律性的,其处理问题的方法与其他数学学科很不一样。初学概率论的人便感到概率论难学,概率论的习题难解。本文试图通过概率论中一些较典型问题的解题过程的介绍,指出样本空间的选取在解题过程中的重要作用,希望能对学习概率论有所帮助。     

优化样本空间 简解古典概型

通过对称压缩法、样本空间缩小法、事件对等转化法三种方法优化了样本空间,简化了古典概型的计算.     

物体自由下落与万有引力常数

在理论上证明惯性质量会产生万有引力,并在万有引力与距离平方成反比的基础上,讨论了不同质量密度的物体在引力场中自由下落加速度的问题。进一步从理论上提供检验不同质量密度的物体之间的引力常数是不同的实验方法。证明了引力相互作用与强相互作用是同一种相互作用。     

从引力场推导万有引力定律

经典牛顿万有引力定律是经验公式，初等数学推导，目前尚未见文献报道。作者根据引力场传播速度恒定的假设，利用初等数学从理论上推导出万有引力定律公式。     

关于古典概率计算中样本空间的构造

如何构造样本空间才能使问题的解决比较简捷，这是一个非常值得探讨的问题。本文结合具体典型例子，给出了在正确思路的前提下，古典概率计算中样本空间构造的一般原则及最佳样本空间的构思。     

古典概型中样本空间选取教学法探讨

本文讨论了在古典概型教学中最重要,也是最基本的问题：样本空间的选取方法及在此问题中初学者易犯的各种错误与确定样本空间的正确思考方法及技巧。     

“万有斥力”和正反物质世界的对称性

首先提出正物质质量与反物质质量之间的朴素作用力可能是“万有斥力”和正反物质世界对称性的假设,提供了一个检验是否存在“万有斥力”的实验方案和正反物质在宇宙中的可能分布状况,引入了虚质量、虚能量和虚动量概念,指出时间的流逝也是一种运动形式。     

基于万有引力的点雨量插值算法研究

根据万有引力原理,任意雨量站雨量与待插值点雨量存在着万有引力.通过计算任意一个参与插值的站点与待插值点的万有引力占所有参与插值站与待插值点的万有引力的标量之和的比例来确定插值权重,并提出了消减权系数的计算方法,从而构建了基于万有引力的点雨量插值算法.根据雨量站点的平面三角几何关系,提出了参证插值站点的选择方法,使得参证插值站点的选择更合理.通过王家坝流域内27个雨量站的3个典型季节的日雨量的插值模拟,证明了参证插值站点的选择方法和万有引力插值算法用于点雨量插值具有较高的精度,可以应用于点雨量的插值.     

万有引力场是虚数场

采用虚数场描述万有引力场,其场能密度是负实数,满足能量守恒定律.       

从万有引力出发对黑洞、暗物质和暗能量的分析与理解

万有引力具有两个基本特性：普适性和纯粹吸引作用,重力系统的能量则必须是正定的．从万有引力出发,在牛顿力学的基础上进行简单推导得到了一些关系式,对黑洞、暗物质和暗能量等一些物理课题进行一定程度的分析和理解．     

“普世价值论”辨析

对当前的“普世价值论”必须运用马克思主义的理论武器进行剖析。西方的“普世价值”实际上是资产阶级的特殊利益的“普遍化”,具有虚假性和欺骗性。“普世价值论”是西方敌对势力实施“和平演变”图谋的意识形态工具。对待“普世价值论”要有马克思主义的科学方法和态度。     

利用缩减样本空间方法替代贝叶斯公式的计算

条件概率的计算是概率论中极其重要的计算之一,一般有利用定义式计算和缩减样本空间计算两种方法．缩减样本空间计算法在先验概率问题计算上比较浅显易懂,但在后验概率问题上计算一般不采用这个方法,而是使用定义式来计算,后验概率的计算又和贝叶斯公式有较大的关系．着重讨论缩减样本空间计算法在后验概率问题上的应用．从而避免利用贝叶斯公式计算的繁琐过程．     

Hilbert空间等价类的万有右稳定性

研究了Hilbert空间等价类的万有右稳定性,得到如下结果:若Banach空间Y同构于一Hilbert空间,则Y是万有右稳定的当且仅当对于任意的可分Banach空间X,Banach空间对(X,Y)是稳定的.     

基于支持向量机的不平衡样本分类研究

分类问题是机器学习领域的重要研究方向之一。支持向量机是一种基于结构风险最小化的学习机器,在解决分类问题上有着出色的效果。但基于支持向量机的分类器在处理不平衡样本时,对少类样本分类准确率偏低。诸多研究在对此问题做分析时往往把主要原因归结为各类样本间数量上的不平衡,而没有充分考虑样本点在特征空间上的分布情况。针对此问题做出原因分析,并给出结论:样本的不平衡性主要是由特征空间下各类样本的分布所决定的,而和数量上的不平衡关系较小。通过实验验证结论的科学有效性。