导读:本文包含了分布期望论文开题报告文献综述及选题提纲参考文献，主要关键词:离散型随机变量,分布列,数学期望
分布期望论文文献综述
刘长柏[1]（2019）在《点击离散型随机变量的分布列的期望与方差》一文中研究指出离散型随机变量最重要的特征数是数学期望与方差,它们反映了随机变量取值的平均水平与波动大小,它们都是建立在分布列基础之上,与概率相联系的,因而成为高考的重点。求解离散型随机变量的数学期望与方差,通常情况下,都是先求出随机变量取每个值时的概率,再得其分布列,最后用数学期望与方差的定义求解。一、利用离散型随机变量的期望与方差的定义(本文来源于《中学生数理化(高二数学)》期刊2019年Z1期）
李文辉,朱德刚,花永健[2]（2019）在《几何分布数学期望的两种简便计算方法》一文中研究指出几何分布数学期望的常规计算方法涉及级数求和与逐项求导等方法,技巧性强,计算烦琐.本文利用一个引理和几何分布的无记忆性,给出了两个简便的计算方法.(本文来源于《数学学习与研究》期刊2019年07期）
何少杰[3]（2019）在《基于混合指数族分布的广义期望传播算法研究》一文中研究指出贝叶斯机器学习的中心任务是在给定观测值的情况下推断隐变量的后验分布,并计算关于该分布的期望值。然而,这通常在计算上难以处理,因此人们不得不寻求近似的解决方案。确定性近似推理技术作为基于数值采样的随机近似推理的替代方法,在过去的二十年中取得了许多进步。期望传播(EP)是贝叶斯机器学习中广泛使用的确定性近似推理算法。传统的EP通过一组迭代更新的局部近似因子来近似难以处理的后验分布。EP在很多领域中都有卓越的表现,但是它也有一些明显的缺陷。例如,EP算法的迭代不保证收敛,无法拓展到大规模数据和复杂模型,以及在局部因子近似过程中造成内存消耗过大等问题。本文以EP的KL散度为目标函数,提出了一种新的确定性近似推理方法,称为广义期望传播算法(GEP)。然而,当目标函数梯度的方差很大时,算法可能需要很长时间来收敛。我们使用了控制变量,并基于这个方差缩减技术方法提出GEP的方差缩减版本,称为GEP-CV。与近期提出的最先进的方法相比,所提出方法提供了更快的收敛性和更好的性能。GEP算法具有迭代收敛且适用于复杂模型的优势,将广义期望传播算法在经典的或流行的模型中进行推广具有实际意义。本文进一步提出了基于广义期望传播的贝叶斯逻辑回归以及基于广义期望传播的贝叶斯神经网络。由于广义期望传播算法是贝叶斯框架下的近似推理方法,它在捕获模型不确定性的能力上远胜于最近流行的深度学习工具。我们考虑贝叶斯神经网络,因为贝叶斯模型提供了推理模型不确定性的理论框架。为了获得真实世界贝叶斯深度学习模型的不确定性估计,需要实际的近似推理方法。例如,dropout变分推理(VI)已用于计算机视觉和医疗等应用,但dropout VI可能严重低估模型的不确定性。在本文中,我们使用GEP作为贝叶斯深度神经网络的近似贝叶斯推理方法。这缓解了深度学习方法无法在不牺牲计算效率或测试精度的情况下捕获模型不确定性的问题。(本文来源于《华东师范大学》期刊2019-03-01）
井沛良,段宇,韩超,郭荣化,宁小磊[4]（2019）在《基于高斯混合模型和期望最大化算法的非高斯分布圆概率误差估计方法研究》一文中研究指出传统圆概率误差(CEP)估计方法无法处理兵器攻击点/观测点数据服从非高斯分布的情况。为了解决这一问题,提出了一种基于高斯混合模型(GMM)和期望最大化(EM)算法的CEP估计新方法。该方法利用GMM对兵器攻击点/观测点非高斯分布概率密度函数(PDF)进行建模,通过EM算法迭代估计GMM参数得到兵器攻击点/观测点PDF,并依据所得到的兵器攻击点/观测点PDF,使用二分法得到兵器攻击点/观测点的CEP指标值。采用大量非高斯分布场景生成兵器攻击点/观测点数据,应用所提方法和传统方法进行CEP估计实验。实验结果表明:所提方法估计的CEP均方误差约为传统方法的1/10,由此说明所提方法性能显着好于传统方法,可以有效解决兵器攻击点/观测点数据服从非高斯分布时的CEP估计问题。(本文来源于《兵工学报》期刊2019年02期）
陈奕延,李晔[5]（2019）在《Lovász延拓权值下的伪泊松混合分布的风险期望模型》一文中研究指出本文在风险损失量为自然数且服从泊松分布的条件下,将泊松分布进行截断和均化的处理生成伪泊松分布,然后根据有限可数混合分布的表达式,利用从集函数转换而来的多线性形式的Pseudo-Boolean函数的Lovász延拓得到新的权值并构建伪泊松混合分布,最后根据期望的定义和性质得到相应的伪泊松混合分布的风险期望模型.该模型为今后研究混合分布在风险分析中的应用提供了依据.(本文来源于《首都师范大学学报(自然科学版)》期刊2019年01期）
余东林,吴群英[6]（2018）在《次线性期望空间下同分布ND列的完全收敛性》一文中研究指出研究次线性期望空间下随机变量序列的完全收敛性,在条件为C_V(|X_1|~pl(|X_1|~(1/α)))<∞的情形下,把同分布ND随机变量序列的完全收敛性从概率空间推广到了次线性期望空间。(本文来源于《桂林理工大学学报》期刊2018年03期）
杨文金[7]（2018）在《离散型随机变量的分布列、期望和方差高考链接》一文中研究指出一、高考考情离散型随机变量的均值与方差是高考的热点,主要考查同学们对取有限个值的离散型随机变量的均值、方差的理解,要求同学们能计算简单离散型随机变量的均值、方差,并能解决一些实际问题。若单独考查,一般以客观题形式出现,主要考查利用公式进行计算,难度不大。若以解答题形式出现,一般不(本文来源于《中学生数理化(高二数学)》期刊2018年06期）
邵晶晶,王秀莲,邹华[8]（2018）在《索赔额服从混合指数分布的一类期望折现罚金函数》一文中研究指出基于经典风险模型,针对指数索赔间隔和混合指数索赔额的情况,研究关于实质破产的期望折现罚金函数.首先,利用全概率公式得到期望折现罚金函数满足的积分微分方程;然后,在索赔额为混合指数分布的情况下推导出期望折现罚金函数满足的微分方程,进而针对常数破产率函数,得到期望折现罚金函数的具体表达式.(本文来源于《天津师范大学学报(自然科学版)》期刊2018年03期）
刘华[9]（2018）在《连续型随机变量最值分布的期望的求法》一文中研究指出利用连续性随机变量函数的期望的公式,得到连续性随机变量最值的分布的期望求法.这一结论有助于简化求解不独立的随机变量最值分布的期望.(本文来源于《高等数学研究》期刊2018年01期）
郭兴甫[10]（2018）在《分类例析离散型随机变量的分布列及期望》一文中研究指出离散型随机变量的分布列及期望是高中数学教材中的重要内容,是高考命题的热点.从近年的高考试题来看,试题常以频率分布直方图为载体,结合频率与概率,考查离散型随机变量及其分布列与期望的求法,试题常以选择题、填空题、解答题的形式出现,属于中、低档题.本文以近年各地的高考真题、模拟题为例说明,以期对同学们的复习有所帮助.一、以频率分布直方图为载体考查二项分布的分布列例1为了解今年某校高叁毕业班准备报(本文来源于《试题与研究》期刊2018年02期）
分布期望论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
几何分布数学期望的常规计算方法涉及级数求和与逐项求导等方法,技巧性强,计算烦琐.本文利用一个引理和几何分布的无记忆性,给出了两个简便的计算方法.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
分布期望论文参考文献
[1].刘长柏.点击离散型随机变量的分布列的期望与方差[J].中学生数理化(高二数学).2019
[2].李文辉,朱德刚,花永健.几何分布数学期望的两种简便计算方法[J].数学学习与研究.2019
[3].何少杰.基于混合指数族分布的广义期望传播算法研究[D].华东师范大学.2019
[4].井沛良,段宇,韩超,郭荣化,宁小磊.基于高斯混合模型和期望最大化算法的非高斯分布圆概率误差估计方法研究[J].兵工学报.2019
[5].陈奕延,李晔.Lovász延拓权值下的伪泊松混合分布的风险期望模型[J].首都师范大学学报(自然科学版).2019
[6].余东林,吴群英.次线性期望空间下同分布ND列的完全收敛性[J].桂林理工大学学报.2018
[7].杨文金.离散型随机变量的分布列、期望和方差高考链接[J].中学生数理化(高二数学).2018
[8].邵晶晶,王秀莲,邹华.索赔额服从混合指数分布的一类期望折现罚金函数[J].天津师范大学学报(自然科学版).2018
[9].刘华.连续型随机变量最值分布的期望的求法[J].高等数学研究.2018
[10].郭兴甫.分类例析离散型随机变量的分布列及期望[J].试题与研究.2018