样本均值

摘要： 解决统计、概率中开放性问题的要点,主要有下面两点:1.用数据说话,要有相应的数据支撑,在陈述数据时,要计算事件发生的概率或者计算样本均值等数据,不能只说结论;2.表达要到位,陈述理由不要偏离主旨,要正确看待小概率事件发生的情况,最好不要从抽样数据太少、实验次数太少等非要点出发解题。

摘要： 针对样本均值及样本中位数的不足,文章提出了基于基尼系数的位置参数的一种新的估计方法。数值模拟的结果显示,所提方法几乎不受离群值的影响,比算术平均值更稳健。特别地,若数据分布是正态的,则新平均值、算术平均值及样本中位数是一致的。并且作为应用,给出了2018—2020年全国居民人均可支配收入平均值的新估计,并与公布的数据进行了比较。

摘要： 普通高中数学课程标准(2017年版2020年修订)中指出:"通过实例,了解分层随机抽样的特点和适用范围,了解分层随机抽样的必要性,掌握各层样本量比例分配的方法.结合具体实例,掌握分层随机抽样的样本均值和样本方差".

摘要： 《普通高中数学课程标准(2017年版2020年修订)》(以下简称“课程标准”)对概率与统计的课程设计,无论是在内容选取、体系结构还是学习要求上,较之以前都发生了很大变化,充分体现了大数据的时代气息.一些新增内容如“百分位数”“分层随机抽样的样本均值和样本方差”“有限样本空间”等,不仅对学生而言是新的,对不少老师而言也是新的,给教学带来了挑战.教师在教学自己不熟悉的内容时,必须过好备课关.

摘要： 针对P-Ⅲ型分布参数的不确定性问题, 提出了应用抽样分布理论进行研究的方法.引入抽样分布及特征函数的概念, 推导了P-Ⅲ型分布样本均值的分布函数, 构造辅助随机变量并推导了其分布函数, 在总体的离势系数和偏态系数已知情况下, 结合上下概率分位点得到了总体均值的置信区间;方法应用于上犹江流域, 计算得到了其设计洪峰的置信区间.理论推导表明, 样本均值和辅助随机变量仍服从P-Ⅲ型分布, 且辅助随机变量的分布参数仅与总体的离势系数和偏态系数有关.将该方法应用于上犹江流域, 设计洪峰的置信区间合理, 说明基于抽样分布理论研究P-Ⅲ型分布均值的不确定性是可行的, 且分析结果受总体离势系数影响较大而受偏态系数影响较小.%In view of the uncertainty of P-Ⅲ distribution parameters, a method based on sampling distribution theory is proposed. Firstly, with the concept of sampling distribution and characteristic function, the sample mean distribution function is deduced. And then, an auxiliary random variable is constructed with its distribution function deduced. Then, the confidence interval of population mean is obtained by combining the upper and lower probability points in the case of the known variation coefficient and the known skewness coefficient. The method is applied to Shangyoujiang Basin, and the confidence interval of designed flood peak is reasonable. The theoretical deduction shows that the sample mean and the auxiliary random variables still obey the P-Ⅲ distribution, and the distribution parameters of the auxiliary random variables are only related to the variation coefficient and the skewness coefficient, and have nothing to do with the population mean of the whole. The application results show that it is feasible and effective to study the uncertainty of P-Ⅲ distribution population mean based on the sampling distribution theory.

摘要： 通过计算正态总体样本标准差的数学期望,证明了当样本容量趋于无穷大时样本标准差的期望递增收敛于总体的标准差.并将结果应用于证明一个有趣数列的收敛速度,也比较了单个正态总体当方差未知时总体均值区间估计的区间长度.

摘要： 针对室内LOS/NLOS混合环境,提出基于假设检验的方法确定NLOS状态,并采用具有收缩因子的粒子群优化算法进行定位.在采样值存在异常情况时,样本中位值性能优于样本均值.因此,在LOS和NLOS状态下,分别采用样本均值和样本中位值建立最小平方误差代价函数.为了增强算法的全局和局部搜索能力,在粒子群优化算法的基础上引入收缩因子.仿真实验表明,在NLOS遮挡比较严重的情况下,所提出的基于样本均值和样本中位值改进的粒子群优化定位算法较只采用样本均值改进的粒子群优化算法和一般的粒子群优化算法定位精度高.%The non-line-of-sight( NLOS) state was determined by the method of hypothesis testing for indoor line-of-sighton-line-of-sight ( LOS/NLOS) hybrid environment. And particle swarm optimization algorithm with shrinkage factor was used to locate. When the sampling value was abnormal, the performance of sample median was better than sample mean. Minimum square error cost functions of the sample mean and sample median were established in LOS and NLOS state. In order to enhance the global and local search ability of the algorithm, the shrinkage factor was introduced on the basis of particle swarm optimization algorithm. Simulation results show that the improved particle swarm optimization algorithm based on sample mean and median ( IPSOSMM) has higher localization accuracy than that of the improved particle swarm optimization algorithm based on sample mean ( IPSOSM) and the general particle swarm optimization algorithm when the NLOS block is serious.

摘要： [目的]遥感影像监督分类能够快速获取土地利用和地表覆盖的信息,分类样本的选取对分类精度具有决定性的作用.以最大似然分类方法为例,研究样本数量、均值和标准差对分类精度的影响.[方法]基于地表覆盖产品GlobeLand30分层随机选取不同数量的训练样本,采用最大似然法对研究区域的Landsat8遥感影像进行分类.通过谷歌地球高分影像选取一定数量的检验样本,对影像分类结果进行精度评价,并研究样本数量、均值和标准差对分类结果的影响.[结果]不同数量的训练样本得到的分类精度不同,分类精度随着样本数量的增加先增加后下降,然后渐趋于稳定;在样本质量特征方面,当训练样本的均值和标准差越接近检验样本的均值和标准差时,分类结果的精度越高,反之则分类精度较低.[结论]在最大似然分类过程中,训练样本数量的选取存在临界值,当达到临界值时即可获得较高分类精度,随后即使增加样本的数量也无法显著提高分类结果的精度.在样本质量方面,要尽量选取能够反映地物真实特征的训练样本进行分类.

摘要： 本文归纳探讨了样本方差递归公式的几种不同的证明思路与方法.

摘要： 描述了小子样样本均值区间估计的经典方法、Bootstrap方法、随机加权法、Jackknife方法以及经验特征分布函数展开方法,并对样本容量为4、5、6的三组电子器件辐射毁伤样本均值区间估计分别进行了数值计算.分析计算结果表明：对于小子样样本均值区间估计,推荐采用Bootstrp方法和随机加权方法.

摘要： 本文在梳理前人研究的基础上，通过设定超总体模型，分别探讨了二阶段抽样和不等概率抽样下样本均值估计量的设计效应的估计问题。本文还明确提出，基于模型的设计效应研究中，不等概率抽样的设计效应体现在估计量形式的改变上，而不在超总体模型中。从而明确了设计效应的研究应当在抽样策略即抽样方法和估计量结合下去考虑。

摘要： 以掷骰子游戏为例,在物理实验的误差与不确定度的教学中,改进对随机变量及其均值(总体均值)、总体方差和协方差、样本均值、样本方差和协方差、样本均值的方差及其估计等概念的入门教学.探索提高学习效率的途径.

摘要： 本发明公开了一种基于K‑组合均值特征增强的小样本目标检测方法及系统，利用每类K个带标签样本的标签信息，得到对应的特征，通过对这K个目标的特征进行组合平均，为每个组合计算平均特征。然后将这些平均特征添加到原有特征样本集合中，增加特征样本的数量。在微调阶段，除了新类带标签样本对分类和回归器进行微调外，还使用增加后的特征样本集合对分类器进行微调。实验结果证明通过基于K‑组合均值的特征增强方法，通过增加特征样本的数量，为分类器提供了更多的特征样本，缓解了模型的过拟合问题，提升了基于微调的小样本目标检测模型的检测精度。

摘要： 本发明公开了森林可燃物平均值调查的样本数确定方法，利用R软件制作了“正态分布单变量平均值调查所需样本数查询表”，用于森林可燃物外业调查现场的样本数计算，为不多不少地抽样调查并得到较为可靠的结果提供技术方法；查询表基于t值、预调查均值和方差，原理清晰；以森林可燃物样线数确定和可燃物平均直径调查为例说明查询表的使用，并以可燃物平均直径计算了可燃物表积比；采用R软件power函数对预调查和后续调查合并数据进行功效检验，检验平均值的可靠性；方法不仅适用于森林可燃物调查，也可用于其他平均值调查研究。

摘要： 本发明公开了一种基于迭代均值聚类的深度样本学习方法，按照以下步骤进行：S1：选择训练数据，并通过N次迭代均值聚类算法处理得到N+1层训练样本子集，N≥1；S2：将每层训练样本子集独立进行回归训练，得到N+1个回归器；S3：选择验证数据，并将验证数据分别送入N+1个回归器中得到N+1个验证结果；S4：基于加权融合机制确定每个回归器对应的最佳权重(w0,w1,…,wN)；S5：获取测试数据，并利用N+1个回归器以及对应的最佳权重得到最终的预测结果。其效果是：将学习样本经过多次迭代均值聚类得到不同的训练样本数据集，然后分别进行训练和学习，在相同样本数量的情况下，有效增加了模型的学习能力，提升了分类或预测的准确性。

摘要： 本发明提供一种基于非零均值漂移参数并行识别噪声样本的方法，利用含有非零均值漂移参数的线性回归模型对训练数据集中样本的特征矩阵以及标签矩阵进行拟合，并求解对应的非零均值漂移参数的解路径，并基于解路径选取识别出噪声样本，因此，本发明的方法能够在含噪学习中并行识别出多个噪声样本，并将噪声样本剔除出训练数据集，降低训练数据集中的噪声样本的比例，从而达到帮助模型训练，提升模型的性能的效果。本发明的方法由于同时基于特征空间以及标签空间，因此，相较于仅基于特征空间或仅基于标签空间的现有识别方法，识别准确度更高。此外，本发明的方法还具有较好的鲁棒性和算法泛用性。

摘要： 本发明提出了一种基于样本均衡和最大均值差异的跨库语音情感识别方法。本方法首先对语音信号进行处理，将其提取为时域与频域信息相结合的语谱图，采用Alexnet网络进一步提取语谱图特征，利用最大均值差异（Maximum Mean Discrepancy,MMD）将源域和目标域特征进行对齐，结合Frobenius范数最大化（Frobenius‑Norm Maximization,FNM），增强了预测矩阵中的模糊样本的可判别性，消除类别间样本数量不平衡的影响，进一步提高了跨库语音情感识别的准确率。

摘要： 本发明公开了一种基于改进型K均值聚类算法的样本分类方法，包括：获取所有待分类的样本，形成样本数据集X；根据距离初步选定K个质心；依次将每个样本与距其最近的质心归至一类，形成K个样本簇；对每个样本簇进行均值计算，得到每个样本簇的质心，并以此更新已选定的K个质心；重复上述步骤，直至质心不再变化，并获得K个样本簇，完成样本的分类。该基于改进型K均值聚类算法的样本分类方法，根据距离选定初始质心，相比原始的随机选择质心的方法，可以大大减少后续质心更新的次数，可有效提高分类的速度。

摘要： 本发明公开了一种基于K‑组合均值特征增强的小样本目标检测方法及系统，利用每类K个带标签样本的标签信息，得到对应的特征，通过对这K个目标的特征进行组合平均，为每个组合计算平均特征。然后将这些平均特征添加到原有特征样本集合中，增加特征样本的数量。在微调阶段，除了新类带标签样本对分类和回归器进行微调外，还使用增加后的特征样本集合对分类器进行微调。实验结果证明通过基于K‑组合均值的特征增强方法，通过增加特征样本的数量，为分类器提供了更多的特征样本，缓解了模型的过拟合问题，提升了基于微调的小样本目标检测模型的检测精度。

摘要： 本发明公开了基于最大均值差异的负迁移样本筛选方法，首先对数据进行预处理，接着将处理好的数据放进预训练好的深度迁移学习网络中做前向传播，并计算源领域数据和目标领域数据之间的MMD距离，通过MMD阈值来判别是否跟目标域领域数据相似，然后通过MMD距离来修正每个类别中样本的权值，接下来重复迭代100000次之后得到一个最终的权值并进行排序，设置临界值来取前N个样本为该类别的正迁移的样本，最后将源领域的正迁移样本重新输入深度迁移学习网络中，重新对网络进行训练，提高目标领域的识别率。本发明解决了现有技术中只存在源域的中的类别和类别中不相似的样本会对迁移结果产生负迁移的影响，导致训练的图像分类器准确率不高的问题。

摘要： 本发明公开了一种不同大小样本均值‑标准偏差控制图的统计过程控制方法，主要解决现有控制图无法对样本大小不同时实施统计过程控制的问题。其实施步骤是：1、获取产品样本；2、计算得到每组样本的均值和标准偏差；3、获得母体均值和标准偏差；4、计算均值‑标准偏差控制图中两个控制图各自相应的特征值，获得均值‑标准偏差控制图中两个控制图各自相应的控制线；5、按照休哈特控制图的绘制方法，将特征值和控制线绘制成对应的控制图；6应用判断过程异常准则对步骤5的控制图进行判断，得出生产过程是否处于受控状态的结果。本发明适用范围广，母体的均值和标准偏差计算精度高，可用于样本大小相同或不同的统计过程控制。

摘要： 本发明公开了一种不同大小样本均值-标准偏差控制图的统计过程控制方法，主要解决现有控制图无法对样本大小不同时实施统计过程控制的问题。其实施步骤是：1、获取产品样本；2、计算得到每组样本的均值和标准偏差；3、获得母体均值和标准偏差；4、计算均值-标准偏差控制图中两个控制图各自相应的特征值，获得均值-标准偏差控制图中两个控制图各自相应的控制线；5、按照休哈特控制图的绘制方法，将特征值和控制线绘制成对应的控制图；6应用判断过程异常准则对步骤5的控制图进行判断，得出生产过程是否处于受控状态的结果。本发明适用范围广，母体的均值和标准偏差计算精度高，可用于样本大小相同或不同的统计过程控制。