统计学和概率学

独立同分布是指在统计学和概率论中，两个或多个随机变量相互之间是独立的，且它们都服从相同的概率分布。这意味着它们的联合分布可以通过各自的边缘分布来推导，且它们之间没有相关性。在实际应用中，独立同分布的假设可以简化许多模型和分析方法的复杂性，使得问题易于处理和推导。

积分

求dao

概率论，需要掌握的zhi'shi

最小二乘，从lim累加和公式之后部分不是很理解了，如何转化成矩阵来计算

这里感觉这样解释更好：

CosA = 临/斜

SinA = 对/斜

对 = 斜*SinA 

已知(X1,Y1)(X2,Y2)(X3,Y3)(X4,Y4)

设直线Y= KX+B

未知K,B

|Y1- （KX1+B)| + |Y2- （KX2+B)| + |Y3- （KX3+B)| + |Y4- （KX4+B)| =>

i= 1Σn |Yi- (KXi+B)|

第一步：求解点的概率：
P(A)=P(x1,...,xn)=P(x1)...P(xn)=Π(n i=1)P(xi)
P(xi)=φ(xi)·∆xi
第二步：求概率密度函数：
φ(x)= [1/(√(2π))][e^(-(y理-y真)²/2)]，y理=kx+b,kxi+b看做向量？矩阵 (1 x1)*(b k)=kx+b可以看做Xθ,带入得到概率密度函数：
φ(θ)= [1/(√(2π))][e^(-(Xθ-y真)²/2)]
第三步：带入概率密度函数，得到极大似然函数
P(xi)=φ(θ)·∆xi=[1/(√(2π))][e^(-(Xiθ-y真)²/2)]·∆xi，即
P(A)=Π(n i=1)φ(θ)·∆xi
令L(θ)=P(A)，求L(θ)=Π(n i=1)φ(θ)·∆xi最大值：
第四步：两边同时取ln
lnL(θ)=Σ(n i=1)[(-(Xiθ-y真)²/2)+ln[1/√(2π)]+ln∆xi]
第五步：对lnL(θ)求导=0，求θ的极大似然估计
(lnL(θ))'=[Σ(n i=1)[(-(Xiθ-y真)²/2)]'= -1/2[2*(Xiθ-y真)Xi]=0
Xiθ=y真    
θ=y真/Xi

polyModel.set_params(Poly__degree=3)

#注意这里有一处两个下划线。。。

要不是我查到“需要在参数前加“__”（2个下划线）”我就一直对不出报错是哪里打错了

有哪条直线更能表示x与y的关系