1) prior distribution density
先验分布密度
2) Prior distribution
先验分布
1.
Probabilistic distribution of geotechnical parameters by using AHP prior distribution fusion method;
基于AHP先验分布融合法的岩土参数概率分布推断
2.
The design of bayesian classification and discrimination method among several populations based on diffuse prior distribution;
扩散先验分布下Bayes多总体分类判别方法的构造
3.
It is usually assumed that the prior distributions of parameters and error are Gaussian distribution in remote sensing inversion.
在遥感反演中,通常假设反演参数和模型误差的先验分布服从正态分布,这个假设通常不太符合实际。
3) priori distribution
先验分布
1.
Using the Bayes’s theory about a estimate,the article researches the problem of probability change points,then gives a concrete priori distribution and posterior distribution,as well as gives a judge to the existence of probability change points.
利用Bayes估计理论,研究概率变点问题,给出变点的一个具体先验分布和后验分布,并对变点的存在性作出判断。
2.
In this paper,the Bayesian estimations of C are obtained,on the supposition that C has priori distribution respectively:(1)U(C 1,C 2)(0C 1<C 22)prior;(2)Jeffreys noniformative prior;(3)conjugate prior.
设误差 X在心理状态数的作用下的分布为偏正态分布 ,即 X有密度f ( x;σ2 ,C) =C2πσe-x22σ2 x 02 - C2πσe-x22σ2 x >0其中 0 C 2为心理状态数 ,σ>0为未知参数 ,本文分别在 C服从 [C1,C2 ]上的均匀分布 ,Jeffreys无信息先验分布和共轭先验分布的假设下 ,得到了心理状态数 C的 Bayes估计。
3.
In this paper, we take the Priori distribution in the Stochastic Linear Programming (SLP) as the uncertain information quantity.
本文把随机线性规划(SLP)问题的先验分布,理解为对该问题的不确定性的信息的度量,从而利用信息理论来确定(SLP)问题的先验分布。
4) a posteriori distribution density
后验分布密度
5) Bayes inferior distribution
Bayes先验分布
6) Ultra-prior distribution
超先验分布
补充资料:概率分布的密度
概率分布的密度
density of a probability distribution
概率分布的密度【山画勿ofa声加b正ty业州恤心.;n月。T:oeT‘,.TooeT,],亦称攀半考枣(pro恤b正tydensity) 与绝对连续概率测度相对应的分布函数(distribU-tionft川ction)的导数. 设X是在”维E切土d空间R”(n)l)中取值的随机向量,F是它的分布函数,并设存在一个非负函数f使得 x一工.F(x,,xZ,…,x。)一J…J,(。:,…,。。)“1…du,对一切实数x;,…,、。成立,则称f是X的修率窜摩(probab皿ity de飞ity),此时对任意BOrel集A cR“有 p万x。A飞=f…ff(。,.·…。_)du一d、. ‘A。任一满足条件 丁…Jf‘xl,一x·,dxl·““一‘的非负可积函数f都是某一随机向量的概率密度. 如果两个取值于R”的分别具有概率密度f和g的随机向量X和Y是独立的,那么随机向量X十Y具有概率密度h,它是f和g的卷积,即h(xl,…,x。)=一丁…丁f(x,一。,,…,x。一u。)。(。,,…,。。)以u,…J、一J…Jf(“,,…,。。)。(x,一,,…,x。一、)汉。,…d。。. 假设X=(戈,…,戈)和Y=(矶,…,气)是分别取值于R”和R用(n,m)l)中且具有概率密度f和夕的随机向量,而z=(戈,…戈,Y.,…,气)是取值于r+川中的随机向量.再若X和y独立,则Z具有概率密度h,称为随机向量X和Y的联合概率密度(joint Pro恤biljty dellsity),此处h(t:,…,t。十。)=f(tl,…,t。)g(t。+1,…,t。*.)·(l)反之,若Z具有满足(l)的概率密度,则X和Y独立. 具有概率密度f的随机向量X的特征函数中可表示为 毋(tl,…,t。)= 一丁…丁。:‘!1二‘~“·’·,f(xl,一x。,dxl·‘·“x二这里,如果职是绝对可积的,则f是有界连续函数,且 f(x:,“·,x。)=二二头二f二卜一‘:1一‘,…’,(。:,…,:。)d才,…d。· (2二)”几或概率密度f和对应的特征函数价还通过下述关系式(Phnd犯rel埠等术(Phncherel汕mtity))相联系:函数厂是可积的,当且仅当!叫’是可积的,此时有 了…歹fZ(x卫,…,、)dx,…dx。 一典丁了…}’,,(。,,…,:。)一‘tl…己t。
说明:补充资料仅用于学习参考,请勿用于其它任何用途。
参考词条