群青广播II📡 - 这里是群青广播II,还有活着的人吗?
多元微积分习题整理
一、利用$ε$-$δ$语言描述的二元函数极限已知二元函数 f(x, y) = \frac{x^3}{3} + \frac{y^3}{3} + (x^2 - 2x - 3)\sin y, \quad (x, y) \in \mathbb{R}^2.试用 $ε$-$δ$语言描述的二元函数极限定义证明: \lim_{(x, y) \to (3, 3)} f(x, y) = 18.证明:$\forall \, ε > 0$。 在矩形区域 $[2, 4] \times [2, 4]$ 进行计算。首先,使用一元函数之Lagrange中值定理,对于任意给定的 $x \in [2, 4]$,都存在介于3和$x$之间的点$\xi$使得: \frac{x^3}{3} - \frac{3^3}{3} = \xi^2(x - 3).因此,可得: \left|\frac{x^3}{3} - \frac{3^3}{3}\right| \leq 16|x - 3|, \quad \text{当 } x \in [2, 4].同理: \left|\frac{y^3}{3} - \frac{3^3}{3 ...
12.10小记
12.10小记blog的一些问题总结: 评论功能和搜索功能的缺失 blog的同步操作繁琐,有待优化。 没有掌握实际上已有的tags功能和页面音乐功能。 解决思路:实际上是打算着寒假有空的时候,看看需不需要将shoka主题换成butterfly主题。 之所以想要放弃shoka还是因为发现butterfly的教学要远远系统于shoka,虽然可能又要从头开始,但至少是有迹可循,到时候也好自己debug吧。 今日任务: [ ] 抽样调查理论知识全过一遍+抽调作业 [x] 物理/概率论作业 [x] 数学分析习题整理 [x] 概率论2.1习题复习
12.8-12.9小记
关于一些长期规划的思考不想把具体的思考过程放上来了,但是感觉目标清晰了不少。有点觉得当初选择大数据专业可能会更适合自己,不过现在也不错了。之所以这么说是因为感觉自己没有什么动力做理论研究,自己更喜欢广度上的探索以及一时兴起的创造。可能自己更适合做实践型的专业工作。 总结一下,想要做的是保障基本的经济宽裕和时间自由的情况下,尽可能的自由探索、思考与创造。微妙的一点是,有的时候这种自由探索、思考与创造是可以反过来有利于经济和时间压力的,如果能够实现这种情况就太好了。 红烧天堂第四章下篇正在游玩有感四下更新不到一周,已经游玩到了day5,进度比玩四上快得多。在这个章节中,麻子采用了双线叙事,平行记叙逢川慧避难所生活以及31A的沙漠行军。章节一开始最吸引我的应该还是逢川慧所到的避难所。通过逢川慧的视角,麻子让我们看见了在这个危机世界观下正常人的生活。尽管身处人类灭亡危机之中,栖息所的人们仍然在努力的生活,里面的每个人都在通过自己的方式为栖息所贡献一份力量,只为好好地生活下去。透过慧与栖息所每个人的交流,我们可以感受到这里的生活气息以及人们活下去的坚强与希望。这种层面上,我觉得麻子对灾难剧情的处 ...
12月6日-12月7日小记
12月6日-12月7日小结挺有干劲的周五数分课上研究出了那道困惑我很久的证明题。教育学课上,一边应付着中国古代教育经典题目同时在研究一道极限数学题,导致没有按计划复习学习抽样调查。万万没想到,为了数分的这道题,我一直钻研到了晚上六点……还研究出了一个恶臭的放缩题。晚上回宿舍开始整数据挖掘作业,抽样调查又一次迟迟没有打开…… 陷入泥潭的周六第二天上午九点爬起来继续磨数据挖掘大作业,等我跑完了模型出来了数据已经差不多下午两点了。待我认为已经万事俱备的时候,发现模型参数难以保存和复现,磨蹭了两个小时还没有解决问题,只好两手一摊,相信后人的智慧。可能是模型配置的代码有问题,但是model训练好之后似乎又无法改封装好的model对象里的def操作,那我只好放弃训练好的model,到时候训练1h还是能回来的。最后的acc能达到98%。如果迭代次数能多迭代几次说不定可以达到99%,不过会因此多很多成本就对了。 充满希望的周日明天一定会好好复习抽样调查和概率论的,以及最优化!我暗戳戳地下定决心😕
两道数分参考题
两道数学参考题 1. 已知函数 $Q \in C(\mathbb{R})$,证明存在 $\xi \in \mathbb{R}$,使得: \int_{\xi}^{2-\xi} Q(x) \, dx = \frac{\xi \left[ Q(\xi) + Q(2-\xi) \right]}{2023}. 这道题原来写的过程有错误,正确的证明过程md文件丢失,只能去知乎看看我已经上传的内容了…… 2,使用ε–δ定义严格证明:若: f(x,y) = \begin{cases} \dfrac{x^3 + 2x^2y + 3xy^2 + 4y^3}{\sin^2 x + 3\sin x \sin y + 5 \sin^2 y}, & (x,y)\neq(0,0),\\[6pt] 0, & (x,y) = (0,0). \end{cases}则: \lim_{(x,y) \to (0,0)} f(x,y) = 0. 1. 分母放缩设 D(x, y) = \sin^2 x + 3\sin x \sin y + 5\sin^2 y [-\frac{\pi}{4} \frac{1}{5}(\si ...
12月5日小记
或许是好的开始经过昨天的调整,今天状态或许是好起来了。 数据挖掘作业的进展今天下午尝试着将四个不同的数据集标准化整合为一个数据集,然后再调用双LSTM模型解决问题。但是经过学长的提醒,我发现了这种方法的不科学性,即不同设备的异质性问题。针对这个问题下面有几个想法… 强行混合计算然后看看实验效果,寄希望于实验黑箱的可行性。 分别训练模型,然后在尝试着做bagging之类的工作实现整合。 当然,还有必要的新尝试:利用云计算进行模型训练,今天已经初步学会了云服务的配置了,那就打算明天找个时间一口气肝个大半工程吧。 期末考试的焦虑 今天终于翻开了两周没有翻开的抽样调查资料,发现自己的进度已经落后了三章折算一个月的进度qaq。这周大概是没什么大事,可以基本补完进度吗?计划要把ppt看完一遍,掌握基本原理,整合各类抽样公式以及估计量性质的讨论。顺便把作业完成了。有时间再探讨复杂的证明。 另一方面,概率论也是一个不小的麻烦。不过我对概率论知识的掌握程度还是比抽样调查好很多的。况且也没落下很多进度,先把习题过一遍,然后尝试着跟着课本把定理都过一遍应该足矣。 凸优化也是一个难以应付的课程呢,真 ...
数学期望
注意:本篇md文件在编译的时候出现了较多未知错误,输出结果缺少了一部分公式… 4.1 数学期望 4.1.1数学期望的基本定义定义定义 4.1.1【简单随机变量】对于简单随机变量 $\xi$,称: \mathbb{E}(\xi) \triangleq \sum_{x \in \xi(\Omega)} x \mathbb{P}(\xi = x) \tag{4.1}为 $\xi$ 的数学期望,简称为数学期望。 定义 4.1.2【非负随机变量】对于任意随机变量 $\xi \geq 0$,称: \mathbb{E}(\xi) \triangleq \lim_{n \to \infty} \left( \sum_{k=1}^{n2^n} \frac{k-1}{2^n} \mathbb{P}\left(\frac{k-1}{2^n} < \xi \leq \frac{k}{2^n}\right) + n \mathbb{P}(\xi > n) \right) \tag{4.3}为随机变量 $\xi$ 的数学期望或均值。 定义 4.1.3【任意随机变量】对于任意随机变量 $\xi$,若 $\ma ...
条件数学期望
4.3条件数学期望与最优预测定义4.3.1【条件数学期望】若数学期望$\xi$的数学期望存在,则称$\xi$的条件分布函数$\mathcal{F}(x|\eta = y )$所决定的数学期望为已知$\eta = y$的情况下$\xi$的条件数学期望,简称为条件期望,记作$\mathbb{E}(\xi|\eta=y)$ 定义4.3.2【条件方差】设$\xi \in \mathscr{L}^2,\eta$为随机变量,称: D(\xi|\eta = y)=\mathbb{E}((\xi - \mathbb{E}(\xi|\eta=y))^2|\eta=y) 定理4.3.1【条件期望的拆分】对于任意波莱尔函数$f(x)$和$g(x)$,随机变量$\xi$和$\eta$,若$f(\xi)g(\eta)$的数学期望存在,则有: \mathbb{E}(f(\xi)g(\eta)|\eta)=g(\eta)\mathbb{E}(f(\xi)|\eta). 定理4.3.2【条件期望的平滑性】设$\xi$和$\eta$为随机变量,则: \mathbb{E}(\xi)=\mathbb{E}(\mat ...
概率空间
2.概率空间2.1 基本定义和简单性质定义2.1.1【概率空间定义】 对$\Omega$上事件域$\mathscr{F}$到实数空间上的映射$\mathbb{P}$满足如下条件: 非负性$\forall A \in \mathscr{F},\mathbb{P}(A) \geq 0;$ 规范性 $\mathbb{P}(\Omega)=1;$ 可列可加性 :对于两两不相容的集列${A_n} \subset \mathscr{F} 有$ \mathbb{P}(\bigcup_{n=1}^{\infty}A_n)=\sum_{n=1}^{\infty}\mathbb{P}(A_n),则称$\mathbb{P}$为$\mathscr{F}$上的概率测度,简称为概率;称$(\Omega,\mathscr{F},\mathbb{P})$为概率空间. 定理 2.1.1【概率空间性质】设 $(\Omega, \mathcal{F}, \mathbb{P})$ 为概率空间,如下结论成立: 空集的概率: \mathbb{P}(\emptyset) = 0. 有限可加性:任意两两不相容的事件 $A ...
保凸运算
3.2 保凸运算3.2.1 非负加权求和条件: 如果函数$f$是凸函数 $\alpha \geq 0$ 则:函数$\alpha f$也为凸函数。 如果函数$f_1$和$f_2$都是凸函数,则它们的和$f_1 + f_2$也是凸函数。 将非负伸缩以及求和运算结合起来,可以看出,凸函数的集合本身是一个凸锥:凸函数的非负加权求和仍然是凸函数,即 f = w_1f_1 + \cdots + w_mf_m,是凸函数。 类似:凹函数的非负加权求和仍然是凹函数。严格凸(凹)函数的非负、非零加权求和是严格凸(凹)函数。 这个性质可以扩展至无限项的求和及积分的情况。例如,如果固定任意$y \in A$,函数$f(x, y)$关于$x$是凸函数,且对任意$y \in A$,有$w(y) > 0$,则函数 g(x) = \int_A w(y)f(x, y)\,dy关于$x$是凸函数(条件:此积分存在)。 我们可以很容易地直接验证非负伸缩和求和运算是保凸运算,或者可以根据相关的上镜图得到此结论。例如,如果$w \geq 0$且$f$是凸函数,我们有 \text{epi}(wf) = \begi ...
概率论-绪论-基本定义-引理
概率论-第一章绪论1.1随机现象及基本概念1.1.1必然现象、随机现象、样本空间 定义 1.1.2 【事件不相容】若事件 $A, B$ 满足 $A \cap B = \varnothing$,称事件 $A$ 和 $B$ 不相容。 定义 1.1.3【事件类的交并以及事件列】设 $I$ 为集合,且对任意 $i \in I$,$A_i$ 是事件,称: \bigcup_{i \in I} A_i = \{\omega \mid \exists i \in I \text{ 使得 } \omega \in A_i \}为事件类{$A_i:i \in I$}之并; 称: \bigcap_{i \in I} A_i = \{\omega \mid \forall i \in I \text{ 都有 } \omega \in A_i \}为事件类{$A_i:i \in I$}之交。 事件列 \{A_n\} \triangleq \{A_n:n \geq 1 \} 定义 1.1.4【上下极限定义】对于事件列 ${A_n}$,说: 上极限: \limsup_{n \to \infty} A ...
凸函数的基本定义与性质
3. 凸函数3.1.1 定义函数 $f: R^n \to R$ 是凸的。 条件: 如果 $\text{dom} \ f$ 是凸集, 对于任意 $x, y \in \text{dom} \ f$ 且 $0 \leq \theta \leq 1$,有: f(\theta x + (1-\theta)y) \leq \theta f(x) + (1-\theta)f(y) \tag{3.1} 补充: 当 $\leq$ 改为 $<$ 时,$f$ 为严格凸函数 定义 $f$ 为凹的,条件:$-f$ 为凸函数 定义 $f$ 为严格凹的,条件:$-f$ 为严格凸函数 某函数是仿射函数 $\iff$ 某函数既凸也凹 $f$ 是凸的 $\iff$ 任意 $x \in \text{dom} \ f$ 和任意向量 $v$,函数 $g(t) = f(x + tv)$ 是凸的(其定义域为 ${t | x + tv \in \text{dom} \ f}$) 3.1.2 扩展值延伸条件: \bar{f}(x) = \begin{cases} f(x) & x \in \text{dom ...
分层抽样的抽样方法
3.4总样本量的确定3.4.1 分层抽样样本量确定一般公式令 $n_h = n w_h$,其中 $w_h$ 已经选定,于是当方差 $V$ 给定时,由 (3.4) 式 V = \sum_{h=1}^{L} W_h^2 \frac{1 - f_h}{n_h} S_h^2 = \sum_{h=1}^{L} \frac{W_h^2 S_h^2}{n_h} - \sum_{h=1}^{L} \frac{W_h^2 S_h^2}{N_h}进一步化简得 V = \frac{1}{n} \sum_{h=1}^{L} \frac{W_h^2 S_h^2}{w_h} - \frac{1}{N} \sum_{h=1}^{L} W_h S_h^2得到确定样本量的一般公式为 n = \frac{\sum_{h=1}^{L} \frac{W_h^2 S_h^2}{w_h}}{V + \frac{1}{N} \sum_{h=1}^{L} W_h S_h^2}. \tag{3.29} 3.4.2 不同应用场合估计量的精度取决于每层样本量的大小 因此: 在总样本量给定的情况下,对层样本量的分配不同,对精度也不 ...
分层抽样的分配方式
3.3.2 比例分配比例分配指的是按各层单元数占总单元数的比例,也就是按各层的层权进行分配。此时: \frac{n_h}{n} = \frac{N_h}{N} = W_h \text{ 或 } f_h = \frac{n_h}{N_h} = \frac{n}{N} = f \tag{3.19}对于分层随机抽样,总体均值 $\overline{Y}$ 的估计为: \hat{\overline{Y}} = \overline{y}_{\text{prop}} = \sum_{h=1}^{L} W_h \overline{y}_h = \sum_{h=1}^{L} \frac{N_h}{N} \overline{y}_h = \sum_{h=1}^{L} \frac{n_h}{n} \sum_{i=1}^{n_h} \frac{y_{hi}}{n_h} = \frac{1}{n} \sum_{h=1}^{L} \sum_{i=1}^{n_h} y_{hi} = \frac{1}{n} \sum_{i=1}^{n} y_i = \overline{y} \tag{3.20}其中,下标 p ...
Markdown语法与外挂标签写法汇总
🥧本文汇总Markdown格式以及外挂标签在网页端的渲染效果,可作为文档进行查询
avatar
🐟认真摸鱼中
yumenomajo🧙‍
yumenomajo的个人博客
前往幻想乡
公告栏
罚抄伟大,无需多言。
空降评论复制本文地址
随便逛逛昼夜切换关于博客美化设置切换全屏打印页面