1) Condi tional probabilistic measure
条件概率测度
2) conditional probability density
条件概率密度
1.
This paper not only gives the conditional distribution law of the discrete random variables,but also obtains the conditional probability density of the continuous random variables by using random mathematical method.
本文运用随机数学的方法,给出了离散型随机变量的条件分布律和连续型随机变量的条件概率密度,从而解决了食品包装中的相应问题。
3) conditional probability intensity
条件概率强度
4) Conditional Probability Truth Degree
条件概率真度
1.
Similarity Degree and Pseudo-distance of the Conditional Probability Truth Degree of Formulas
条件概率真度的相似度及伪距离
2.
Study of the conditional probability truth degree of formulas in the Gdel logic system
Gdel逻辑系统中公式条件概率真度的研究
3.
The definitions of probability truth degree,mathematical expectation and conditional probability truth degree for formulas in the continuous value propositional logic system are proposed,and some inference rules of probability truth degree are obtained.
基于条件概率的思想,在连续值命题逻辑系统中引入赋值密度函数概念,给出了公式的概率真度、数学期望、条件概率真度的定义,并得到了一些概率真度的推理规则。
5) conditional probability
条件概率
1.
Problems and Improvements in the Teaching Methods of Conditional Probability;
条件概率教法中的问题与改进
2.
Some notes on conditional probability;
关于条件概率的几点注记
3.
The sample chain of PE is built according to the real bond length, bond angle and the conditional probability of a certain segment staying in one or another rotational isomeric state under Θ condition.
以聚乙烯型尾形链为例 ,采用了不同于Metropolis原理的一种新理论模型 ,该模型根据链的实际键长 ,键角和Θ条件下每一链段处于不同旋转异构态的条件概率生成样本链分子 ;并且论述了该模型的实现步骤、条件概率的计算及构象相关物理量统计平均值的计算公
6) Condition Probability
条件概率
1.
The author has acted as some exploration during the conditional probability teaching and has proved it is very effectual for guiding students to understand condition probability that leads into the concept by the instances.
笔者在条件概率教学中作了一些探索,证明用实例引入概念对于引导学生理解条件概率是十分有效的。
2.
For the reason of that the calculation of ID3 is complex,an advanced way referring condition probability and other knowledge to improve the structure of the decision tree is proposed.
针对决策树的经典算法(ID3)计算比较复杂的问题,提出利用条件概率等知识来改进决策树的构造。
补充资料：概率测度的弱收敛
概率测度的弱收敛
eak convergence of probability measores
【补注】概率测度弱收敛的一般背景是在完全可分度虽空间(n犯川C sPace)(X，p)(亦见完全空间(comP-letesPace);可分空间(sep娜blesP毗))上讨论的，p是距离，具有定义在X的BOrel子集上的概率测度召。，n二O，l，，…如果对定义在X上的每个有界连续函数f，当。~二时，有Jfd产。~了fd拜。，则称拜，弱收敛到产。.如果在X中取值的随机变量氦的分布是拜。，n=o，l，…，如果拼。弱收敛到群。就写作省。人‘。，并且称七。依分布收敛到么，(亦见依分布收敛(①n凭r罗nCe in dis苗bution)). 在概率论中使用最普通的距离空间是k维Euclide空间Rk，〔0，l]上连续函数空间C[0，11以及在仁O，11上右连续具有左极限的函数空间Dto，1]. 更为丰富的距离空间中的弱收敛比在Eucljd空间中的用处大得多.这是因为在R’中依分布收敛的各种各样的结果可由它借助于连续映射定理(conti-nuo璐maPping tl篮幻哪)导出.该定理说，如果在(x，，)中着。二‘。且映射儿:x~R是连续的(或至少是可测的，且P(尝。6D*)二O，其中D*是h的不连续点集)，则h(亡。)‘h(省。).在许多应用中极限随机元是Bro”.运动(Bro认们坦n mot」on)，它以概率1具有连续轨道. 最基本的弱收敛结果之一是关于和s。=艺夕_:x.，n)1，的L心璐ker定理(功nsker tll印reTn)，其中戈是具有EX:=0，EX)‘1，i=1，2，…，的独立同分布随机变量.可以这样来陈述其轮廓:在C【O，l]中，令S。=o，S。(t)二n一”，{SL。:l+(nt一[nt])·戈。t〕+、}，o(t(l，其中卜]表示x的整数部分，则功挑ker定理断言s。(t)车w(t)，其中w(t)是标准Brown运动.应用连续映射定理很容易提供对诸如~1、*‘。S*，max，、*‘。k一”2 15*l，艺又_:了(S*)。)和艺二_，:(s、，s*+1)等函数的依分布收敛结果，其中I是示性函数而下(“，b)=l，如ab<仇=0，其他.概率测度的弱收敛【W.山。皿到曰岁翔沈of声触晒ty~-，.留;c“浦aa cxo口”Moc、解妙~oc珊0益Me伽]
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