统计软件词汇
Absolute deviation, 绝对离差
Absolute number, 绝对数
Absolute residuals, 绝对残差
Acceleration array, 加速度立体阵
Acceleration in an arbitrary direction, 任意方向上的加速度
Acceleration normal, 法向加速度
Acceleration space dimension, 加速度空间的维数
Acceleration tangential, 切向加速度
Acceleration vector, 加速度向量
Acceptable hypothesis, 可接受假设
Accumulation, 累积
Accuracy, 准确度
Actual frequency, 实际频数
Adaptive estimator, 自适应估计量
Addition, 相加
Addition theorem, 加法定理
Additive Noise, 加性噪声
Additivity, 可加性
Adjusted rate, 调整率
Adjusted value, 校正值
Admissible error, 容许误差
Aggregation, 聚集性
Alpha factoring,α因子法
Alternative hypothesis, 备择假设
Among groups, 组间
Amounts, 总量
Analysis of correlation, 相关分析
Analysis of covariance, 协方差分析
Analysis Of Effects, 效应分析Analysis Of Variance, 方差分析
Analysis of regression, 回归分析
Analysis of time series, 时间序列分析
Analysis of variance, 方差分析
Angular transformation, 角转换
第 1 页 共 21 页
学习minitab可以用到的英语词汇
Absolute deviation, 绝对离差
Absolute number, 绝对数
Absolute residuals, 绝对残差
Acceleration array, 加速度立体阵
Acceleration in an arbitrary direction, 任意方向上的加速度
Acceleration normal, 法向加速度
Acceleration space dimension, 加速度空间的维数
Acceleration tangential, 切向加速度
Acceleration vector, 加速度向量
Acceptable hypothesis, 可接受假设
Accumulation, 累积
Accuracy, 准确度
Actual frequency, 实际频数
Adaptive estimator, 自适应估计量
Addition, 相加
Addition theorem, 加法定理
Additivity, 可加性
Adjusted rate, 调整率
Adjusted value, 校正值
Admissible error, 容许误差
Aggregation, 聚集性
Alternative hypothesis, 备择假设
Among groups, 组间
Amounts, 总量
Analysis of correlation, 相关分析
Analysis of covariance, 协方差分析
Analysis of regression, 回归分析
Analysis of time series, 时间序列分析
Analysis of variance, 方差分析
Angular transformation, 角转换
ANOVA （analysis of variance）, 方差分析
arXiv:math/0701907v3 [math.ST] 1 Jul 2008TheAnnalsofStatistics2008,Vol.36,No.3,1171–1220DOI:10.1214/009053607000000677cInstituteofMathematicalStatistics,2008
KERNELMETHODSINMACHINELEARNING1
ByThomasHofmann,BernhardSch¨olkopf
andAlexanderJ.Smola
DarmstadtUniversityofTechnology,MaxPlanckInstituteforBiological
CyberneticsandNationalICTAustralia
Wereviewmachinelearningmethodsemployingpositivedefinitekernels.ThesemethodsformulatelearningandestimationproblemsinareproducingkernelHilbertspace(RKHS)offunctionsdefinedonthedatadomain,expandedintermsofakernel.Workinginlinearspacesoffunctionhasthebenefitoffacilitatingtheconstructionandanalysisoflearningalgorithmswhileatthesametimeallowinglargeclassesoffunctions.Thelatterincludenonlinearfunctionsaswellasfunctionsdefinedonnonvectorialdata.Wecoverawiderangeofmethods,rangingfrombinaryclassifierstosophisticatedmethodsforestimationwithstructureddata.
贝叶斯定理的趣题及其应用
My Works, by Wei.
今天看到某两人的对话，大概是这样的:
现在得甲流的80%都发烧～
楼上说得不对吧，应该是现在80%发烧的得的都是甲流～
仔细想想，这个问题其实很有趣。设想:如果以上两条都成立，也就是得甲流80%发烧、发烧的80%是甲流，我们能推出什么结论呢,
其实这是一个典型的条件概率问题。一般的，在B发生的情况下A发生的概率可以表示为P(A|B)。那么“得甲流80%发烧”可以表示为P(发烧|甲流)=0.8。不妨用P(甲流)来表示得甲流的概率(得甲流人数与总人数的比值，下似)，那么P(甲流)×P(发烧|甲流)就是既得甲流又发烧的概率，既P(甲流)×P(发烧|甲
甲流?发烧)。同样的，“发烧的80%是甲流”可以表示为 P(甲流|发流)=P(
烧)=0.8、P(发烧)表示发烧的概率，那么P(甲流?发烧)又可以表示为P(发烧)×P甲流|发烧)。于是，我们得到了一个这样的推论:P(甲流)×P(发烧|甲流)=P(发烧)×P(甲流|发烧)。由于P(发烧|甲流)=P(甲流|发烧)=0.8，所以P(甲流)=P(发烧)
而刚才我们得到的推论，也就是贝叶斯定理，其一般形式为:
请设想下面一个情景:某种酒精检测仪在对吸烟的人使用时99%报阳性、1%报阴性，而在对不吸烟的人使用的时候99%报阴性、1%报阳性。已知学校中吸烟的学生大概占1%，请问如果对某学生的检验程阳性，那么该学生吸烟的概率是多少, 肯能你会很果断得从直觉判断99%，但是有时候人的直觉却是错的。 其实如果检验程阳性学生吸烟的概率就是P(吸烟|阳性)。根据贝叶斯公式:P(吸烟|阳性)=P(阳性|吸烟)P(吸烟)/P(阳性)。P(阳性|吸烟)和P(吸烟)都是已知条件，而P(阳性)其实就是P(吸烟)×P(阳性|吸烟)+P(不吸烟)×P(阳性|不吸烟)。化简整理，P(阳性|吸烟)P(吸烟)/[P(吸烟)×P(阳性|吸烟)+P(不吸烟)×P(阳性|不吸烟)]=(0.99×0.01)/(0.99*0.01+0.01*0.99)=50%～远远低于99%～而如果把原数据中的“学校中吸烟的学生占1%”改成“0.5%”，所求概率将进一步降低到33.22%～
