概率论与数理统计期末复习

概率论常考知识点汇总

请添加图片描述
请添加图片描述

请添加图片描述请添加图片描述请添加图片描述
请添加图片描述请添加图片描述

总括

1. 基础概率论

  • 概率定义:理解概率是事件发生的可能性度量,范围从0(不可能)到1(必然发生)。
  • 概率公理:掌握概率的三大公理,即非负性、规范性和可加性。
  • 条件概率:P(A|B)表示在事件B已发生的条件下,事件A发生的概率。
  • 贝叶斯定理:用于计算在已知某些证据或数据的条件下,某个假设为真的概率。
  • 独立事件与相关事件:理解独立事件的概率乘法规则及相关事件的处理方法。

2. 随机变量及其分布

  • 离散随机变量:了解伯努利分布、二项分布、泊松分布等,以及它们的应用场景。
  • 连续随机变量:熟悉均匀分布、正态分布(高斯分布)、指数分布等,掌握其概率密度函数(PDF)和累积分布函数(CDF)。
  • 联合分布与边缘分布:理解多维随机变量的联合分布,及其边缘分布的计算方法。
  • 条件分布与协方差:学习如何基于给定条件下一个随机变量的分布,以及随机变量间的相互依赖关系。

3. 数理统计基础

  • 点估计:了解均值、中位数、众数作为参数的估计方法,以及最大似然估计和最小二乘法。
  • 区间估计:掌握置信区间的概念,理解如何构建参数的置信区间,特别是正态分布情况下的Z检验和t检验。
  • 假设检验:熟悉原假设与备择假设,掌握单样本和双样本检验,包括显著性水平、p值的理解与应用。
  • 方差分析(ANOVA):理解方差分析的基本原理,用于比较两个以上样本均值是否存在显著差异。

4. 高级主题(根据兴趣选择)

  • 贝叶斯统计:深入理解贝叶斯分析,包括先验概率、后验概率和贝叶斯推断。
  • 大数定律与中心极限定理:掌握这两个定理对于统计推断的重要意义。
  • 非参数统计:了解当数据不符合正态分布或其他特定分布时,使用如卡方检验、秩和检验等非参数方法。
  • 时间序列分析:研究随时间变化的数据序列,涉及自回归模型(AR)、移动平均模型(MA)及它们的组合ARIMA等。

基本概率公式

在概率论中,事件之间的关系及其运算主要涉及交集、并集、补事件以及条件概率,这些是理解和计算复合事件概率的基础。下面详细解释这些概念:

1. 交集 (Intersection)

  • 定义:如果A和B是两个事件,那么A∩B表示事件A和事件B同时发生的事件。即A和B的交集包含了所有既属于A又属于B的样本点。
  • 概率运算:事件A和B同时发生的概率,记作P(A∩B),等于各自发生的概率的乘积,仅当A和B是独立事件时,即P(A∩B) = P(A) * P(B)。若A和B不独立,则需要根据具体情况计算。

2. 并集 (Union)

  • 定义:事件A和B的并集,记作A∪B,包含所有至少属于A或B(或两者都属于)的样本点。

  • 概率运算

    :事件A或B至少有一个发生的概率,记作P(A∪B),可以通过以下公式计算:

    𝑃(𝐴∪𝐵)=𝑃(𝐴)+𝑃(𝐵)−𝑃(𝐴∩𝐵)P(A∪B)=P(A)+P(B)−P(A∩B)

    这里减去P(A∩B)是为了避免A和B共同部分被重复计算。

3. 补事件 (Complement)

  • 定义:对于任意事件A,它的补事件记作A’或𝐴ˉAˉ,表示A不发生的事件。
  • 概率运算:一个事件与其补事件的概率之和等于1,即P(A’) = 1 - P(A)。补事件的概念简化了某些问题的处理,特别是在计算“至少”或“至多”这类问题时。

4. 条件概率 (Conditional Probability)

  • 定义:在事件B已经发生的条件下,事件A发生的概率,记作P(A|B)。

  • 计算公式

    𝑃(𝐴∣𝐵)=𝑃(𝐴∩𝐵)𝑃(𝐵)P(A∣B)=P(B)P(A∩B)

    只有当P(B) > 0时,上述公式才有意义。

5. 乘法法则 (Multiplication Rule)

  • 用于计算两个事件同时发生的概率,特别地,它也关联条件概率和无条件概率的关系:

    𝑃(𝐴∩𝐵)=𝑃(𝐴)⋅𝑃(𝐵∣𝐴)=𝑃(𝐵)⋅𝑃(𝐴∣𝐵)P(A∩B)=P(A)⋅P(B∣A)=P(B)⋅P(A∣B)

    这表明可以从不同的角度理解两个事件同时发生的概率

随机变量

随机变量

定义:随机变量是将随机试验的结果与实数建立对应关系的函数。它可以分为两种类型:

  • 离散随机变量:取值为有限个或可数无限个确定值的随机变量,如抛掷一枚骰子得到的点数。
  • 连续随机变量:取值可以在某个区间内取任何值(理论上无限多)的随机变量,如测量一个人的身高。

分布函数

定义:随机变量 𝑋X 的分布函数(Cumulative Distribution Function, CDF),记作 𝐹(𝑥)F(x),定义为随机变量 𝑋X 取值小于或等于 𝑥x 的概率。形式上,对于任意实数 𝑥x,有:

𝐹(𝑥)=𝑃(𝑋≤𝑥)F(x)=P(X≤x)

性质

  1. 单调性:分布函数 𝐹(𝑥)F(x) 是单调不减的,即如果 𝑥1<𝑥2x1<x2,则 𝐹(𝑥1)≤𝐹(𝑥2)F(x1)≤F(x2)。
  2. 右连续性:𝐹(𝑥)F(x) 在每一个点 𝑥x 处都是右连续的,意味着 𝐹(𝑥)F(x) 在 𝑥x 的右侧极限存在,并等于 𝐹(𝑥)F(x) 在 𝑥x 处的值。
  3. 边界条件:分布函数在 −∞−∞ 处为 0,在 +∞+∞ 处为 1,即 𝐹(−∞)=0F(−∞)=0,𝐹(+∞)=1F(+∞)=1。
  4. 概率计算:对于任意两个实数 𝑎a 和 𝑏b,若 𝑎<𝑏a<b,则随机变量 𝑋X 落在区间 (𝑎,𝑏](a,b] 内的概率为 𝑃(𝑎<𝑋≤𝑏)=𝐹(𝑏)−𝐹(𝑎)P(a<X≤b)=F(b)−F(a)。

分布函数的分类

  • 离散随机变量的分布函数:通常是阶梯函数,每一步的跳跃高度代表相应值的概率质量。
  • 连续随机变量的分布函数:对于连续型随机变量,分布函数是连续的,而概率密度函数 𝑓(𝑥)f(x) 与分布函数的关系为 𝐹′(𝑥)=𝑓(𝑥)F′(x)=f(x) 在 𝑓(𝑥)f(x) 连续的地方成立,即分布函数的导数(在定义的地方)给出了概率密度。

离散型概率以及分布

离散型概率分布描述的是离散随机变量取不同值的概率。离散随机变量只能取有限个或可数无限个值,每个值都有一个明确的概率与之对应。下面是几个典型的离散型概率分布及其特征:

1. 伯努利分布 (Bernoulli Distribution)

  • 定义:伯努利试验是指只有两种可能结果的试验,通常称为“成功”和“失败”,且每次试验这两种结果的概率保持不变。设成功的概率为 𝑝p,失败的概率为 1−𝑝1−p,则一个伯努利随机变量 𝑋X 取值为1(成功)的概率为 𝑝p,取值为0(失败)的概率为 1−𝑝1−p。
  • 概率质量函数 (PMF):𝑃(𝑋=𝑘)=𝑝𝑘(1−𝑝)1−𝑘P(X=k)=pk(1−p)1−k,其中 𝑘=0,1k=0,1。

2. 二项分布 (Binomial Distribution)

  • 定义:在一系列独立的伯努利试验中,成功次数的分布称为二项分布。如果进行了 𝑛n 次独立的伯努利试验,每次试验成功的概率为 𝑝p,则在这些试验中恰好成功 𝑘k 次的概率服从二项分布。
  • PMF:𝑃(𝑋=𝑘)=(𝑛𝑘)𝑝𝑘(1−𝑝)𝑛−𝑘P(X=k)=(kn)pk(1−p)n−k,其中 (𝑛𝑘)(kn) 是组合数,表示从 𝑛n 个不同元素中取出 𝑘k 个元素的组合方式数量。

3. 泊松分布 (Poisson Distribution)

  • 定义:泊松分布常用来描述在一定时间或空间区域内,稀有事件发生次数的概率分布。如果平均每单位时间(或空间)内事件发生的次数为 𝜆λ,则在任意时间(或空间)区间内事件发生 𝑘k 次的概率遵循泊松分布。
  • PMF:𝑃(𝑋=𝑘)=𝜆𝑘𝑒−𝜆𝑘!P(X=k)=k!λke−λ,其中 𝜆λ 是平均事件数,𝑒e 是自然对数的底。

4. 几何分布 (Geometric Distribution)

  • 定义:几何分布描述的是首次成功前进行试验的次数。在一个伯努利试验序列中,直到首次成功所需试验的次数 𝑋X 服从几何分布,每次试验成功的概率为 𝑝p。
  • PMF:𝑃(𝑋=𝑘)=(1−𝑝)𝑘−1𝑝P(X=k)=(1−p)k−1p,𝑘=1,2,3,…k=1,2,3,…。

5. 负二项分布 (Negative Binomial Distribution)

  • 定义:负二项分布描述的是在第 𝑟r 次成功之前已经发生了 𝑘k 次失败的概率分布。它扩展了几何分布,考虑了达到固定成功次数前的失败次数。
  • PMF:𝑃(𝑋=𝑘)=(𝑘+𝑟−1𝑘)𝑝𝑟(1−𝑝)𝑘P(X=k)=(kk+r−1)pr(1−p)k,其中 𝑟r 是预先设定的成功次数。

组合公式

组合公式是用来计算从n个不同元素中不重复地选择r个元素的方法数,记作 𝐶(𝑛,𝑟)C(n,r) 或者 “𝑛n 选 𝑟r”,也称为二项式系数。公式如下:

𝐶(𝑛,𝑟)=𝑛!𝑟!(𝑛−𝑟)!C(n,r)=r!(n−r)!n!

其中,

  • 𝑛!n! 表示n的阶乘,即 𝑛×(𝑛−1)×(𝑛−2)×⋯×1n×(n−1)×(n−2)×⋯×1,
  • 𝑟!r! 是r的阶乘,
  • 𝑛−𝑟n−r 代表剩余未被选择的元素数量,
  • "!"符号表示阶乘运算。

当 𝑛<𝑟n<r 时,𝐶(𝑛,𝑟)C(n,r) 定义为0,因为无法从较少的元素中选择更多的元素。

这个公式在概率论、统计学、组合数学以及日常生活中解决排列组合问题时非常有用。

连续型随机变量

连续性随机变量是概率论中的一种重要概念,它用来描述那些可能取值无法逐一列举,而是在某个区间内可以取任意实数值的随机变量。与离散型随机变量不同,连续型随机变量在数轴上的取值是连续的,其概率分布需要用概率密度函数(probability density function, PDF)来描述,而不是概率质量函数。以下是连续性随机变量的详细解析:

请添加图片描述请添加图片描述

常见的连续型随机变量的及其分布

请添加图片描述

离散型随机变量函数的分布

离散型随机变量函数的分布是指如果有一个离散型随机变量 𝑋X,其概率质量函数(probability mass function, PMF)为 𝑃(𝑋=𝑥𝑖)=𝑝𝑖P(X=xi)=pi,对于 𝑋X 的某个函数 𝑌=𝑔(𝑋)Y=g(X),我们想要找到 𝑌Y 的分布,即求解 𝑌Y 的概率质量函数 𝑃(𝑌=𝑦𝑗)P(Y=yj)。

处理离散型随机变量函数分布的一般步骤如下:

  1. 确定 𝑌Y 的可能值:首先需要明确通过函数 𝑔g 转换后,𝑌Y 可能取到的所有值。这通常需要考虑 𝑋X 的所有可能取值,并应用 𝑔g 函数。
  2. 计算每个 𝑦𝑗yj 的概率:对于 𝑌Y 的每一个可能值 𝑦𝑗yj,需要找出所有能使 𝑔(𝑋)=𝑦𝑗g(X)=yj 的 𝑋X 的值集合 𝑆𝑗Sj,然后将这些 𝑋X 值对应的概率相加来得到 𝑃(𝑌=𝑦𝑗)P(Y=yj)。

𝑃(𝑌=𝑦𝑗)=∑𝑥𝑖∈𝑆𝑗𝑃(𝑋=𝑥𝑖)P(Y=yj)=∑xi∈SjP(X=xi)

这里,𝑆𝑗Sj 是使得 𝑔(𝑥𝑖)=𝑦𝑗g(xi)=yj 成立的所有 𝑥𝑖xi 的集合。

  1. 特殊情况处理:如果函数 𝑔g 导致某些 𝑌Y 的值没有对应的 𝑋X 值(即 𝑔g 不是满射),则那些 𝑌Y 的值的概率为0。反之,如果 𝑔g 将多个 𝑋X 映射到同一个 𝑌Y 值,则需要累加这些 𝑋X 值的概率。

举例说明:

假设 𝑋X 是一个离散型随机变量,取值为 {1, 2, 3},相应的概率分别为 1331。考虑函数 𝑌=𝑔(𝑋)=𝑋2Y=g(X)=X2。

  • 确定 𝑌Y 的可能值:应用 𝑔g 后,𝑌Y 的可能值为 {1, 4, 9}。
  • 计算每个 𝑦𝑗yj 的概率
    • 对于 𝑌=1Y=1,只有当 𝑋=1X=1 时成立,因此 𝑃(𝑌=1)=𝑃(𝑋=1)=13P(Y=1)=P(X=1)=31。
    • 对于 𝑌=4Y=4,只有当 𝑋=2X=2 时成立,所以 𝑃(𝑌=4)=𝑃(𝑋=2)=13P(Y=4)=P(X=2)=31。
    • 对于 𝑌=9Y=9,只有当 𝑋=3X=3 时成立,故 𝑃(𝑌=9)=𝑃(𝑋=3)=13P(Y=9)=P(X=3)=31。

最终,我们得到了 𝑌Y 的概率质量函数 𝑃(𝑌=1)=13P(Y=1)=31, 𝑃(𝑌=4)=13P(Y=4)=31, 𝑃(𝑌=9)=13P(Y=9)=31,这表明 𝑌Y 也是一个均匀分布的离散型随机变量。

二维连续型随机变量及其分布

二维连续性随机变量指的是由两个连续随机变量构成的随机向量,它们可以同时描述两个相互关联的连续随机现象。二维连续性随机变量的联合分布由联合概率密度函数(Joint Probability Density Function, JPDF)来描述,而边缘分布则描述了每个变量单独的分布情况。以下是二维连续性随机变量及其分布的详细说明:
请添加图片描述

请添加图片描述

协方差

请添加图片描述

计算协方差

计算协方差的具体步骤可以通过一个简单的例子来说明。假设我们有一组关于两个变量 𝑋X 和 𝑌Y 的数据对,分别是:

𝑋X𝑌Y
24
46
68
810

首先,我们计算每个变量的平均值(均值):

𝐸[𝑋]=2+4+6+84=204=5E[X]=42+4+6+8=420=5𝐸[𝑌]=4+6+8+104=284=7E[Y]=44+6+8+10=428=7

接下来,我们使用样本协方差的公式来计算协方差:

𝐶𝑜𝑣^(𝑋,𝑌)=1𝑛−1∑𝑖=1𝑛(𝑥𝑖−𝑥‾)(𝑦𝑖−𝑦‾)Cov(X,Y)=n−11∑i=1n(xi−x)(yi−y)

其中 𝑛=4n=4 是样本量,𝑥‾=5x=5 是 𝑋X 的均值,𝑦‾=7y=7 是 𝑌Y 的均值。现在,我们计算每一项并求和:

  • 对于第一对数据(2, 4):(2−5)(4−7)=(−3)(−3)=9(2−5)(4−7)=(−3)(−3)=9
  • 对于第二对数据(4, 6):(4−5)(6−7)=(−1)(−1)=1(4−5)(6−7)=(−1)(−1)=1
  • 对于第三对数据(6, 8):(6−5)(8−7)=(1)(1)=1(6−5)(8−7)=(1)(1)=1
  • 对于第四对数据(8, 10):(8−5)(10−7)=(3)(3)=9(8−5)(10−7)=(3)(3)=9

现在,将这些乘积相加并应用公式:

𝐶𝑜𝑣^(𝑋,𝑌)=14−1×(9+1+1+9)=13×20=203Cov(X,Y)=4−11×(9+1+1+9)=31×20=320

因此,变量 𝑋X 和 𝑌Y 之间的样本协方差大约为 6.676.67。这个正值表明 𝑋X 和 𝑌Y 之间存在正相关关系,即随着 𝑋X 的增加,𝑌Y 也倾向于增加。
请添加图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/web/31724.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

深入理解 Nginx 的正向代理和反向代理

在线工具站 推荐一个程序员在线工具站&#xff1a;程序员常用工具&#xff08;http://cxytools.com&#xff09;&#xff0c;有时间戳、JSON格式化、文本对比、HASH生成、UUID生成等常用工具&#xff0c;效率加倍嘎嘎好用。 程序员资料站 推荐一个程序员编程资料站&#xff1a;…

专利的黑白图片处理:

1&#xff0c;本来是彩色图片&#xff0c;首先就是使用滤镜处理成黑白的 2&#xff0c;插入word中的时候&#xff0c;直接讲图片的背景色设置成和word一样的颜色 如何在word文档里插入图片&#xff0c;让插入图片的背景颜色变成和word文档背景相同的白色&#xff1f;...急求啊…

HTML静态网页成品作业(HTML+CSS)——美食火锅介绍网页(1个页面)

&#x1f389;不定期分享源码&#xff0c;关注不丢失哦 文章目录 一、作品介绍二、作品演示三、代码目录四、网站代码HTML部分代码 五、源码获取 一、作品介绍 &#x1f3f7;️本套采用HTMLCSS&#xff0c;未使用Javacsript代码&#xff0c;共有1个页面。 二、作品演示 三、代…

微信对话生成器2.0版本

微信对话生成器2.0版&#xff0c;这是一款革命性的通讯辅助工具&#xff0c;在数字通信领域带来了新的创新浪潮。这一升级版的生成器不仅囊括了从基本的文字编辑、格式调整到语音转换的多种功能&#xff0c;更重要的是&#xff0c;它提供了模拟真实对话的能力&#xff0c;使得用…

使用 git 遇到权限错误,重新生成SSH密钥

如果在执行 git 相关的命令的时候遇到权限错误&#xff0c;可能是因为你之前使用了不同的用户名在本地生成了SSH密钥。你可以尝试以下步骤来解决这个问题&#xff1a; 打开终端&#xff0c;并执行以下命令来删除旧的SSH密钥文件&#xff1a; rm ~/.ssh/id_rsa rm ~/.ssh/id_rsa…

容器之对齐构件

代码&#xff1a; #include <gtk-2.0/gtk/gtk.h> #include <glib-2.0/glib.h> #include <gtk-2.0/gdk/gdkkeysyms.h> #include <stdio.h>int main(int argc, char *argv[]) {gtk_init(&argc, &argv);GtkWidget *window;window gtk_window_ne…

C++ 72 之 友元和类模版

#define _CRT_SECURE_NO_WARNINGS #include <iostream> using namespace std; #include <string>// 写法2&#xff1a; // template<class T1, class T2> // class Students12;// 要提前用到Students12&#xff0c;需要在前面先让编译器见过Students12才可…

汇聚荣做拼多多运营口碑怎么样?

拼多多作为国内领先的电商平台&#xff0c;其运营口碑一直是业界和消费者关注的焦点。汇聚荣作为拼多多的运营服务商&#xff0c;其服务质量直接影响到拼多多平台的用户体验和品牌形象。那么&#xff0c;汇聚荣做拼多多运营口碑怎么样呢? 一、服务响应速度 汇聚荣在服务响应速…

树莓派4B学习笔记11:PC端网线SSH连接树莓派_网线连接请求超时问题解决

今日继续学习树莓派4B 4G&#xff1a;&#xff08;Raspberry Pi&#xff0c;简称RPi或RasPi&#xff09; 本人所用树莓派4B 装载的系统与版本如下: 版本可用命令 (lsb_release -a) 查询: Opencv 版本是4.5.1&#xff1a; 今日学习使用网线连接树莓派&#xff0c;网线可以提供更…

vos3000外呼系统通话会话超时中断详解

在VOS3000中&#xff0c;通话会话超时中断可能由多种因素引起。这些因素包括网络问题、配置错误、硬件资源不足等。以下是一些可能导致通话会话超时中断的详细解释&#xff1a; 网络问题&#xff1a; 网络延迟和丢包&#xff1a;网络延迟或丢包会导致数据包在传输过程中被丢弃或…

邮件推送服务商有哪些核心功能?怎么选择?

邮件推送服务商支持哪些营销工具&#xff1f;推送性能如何评估&#xff1f; 邮件推送服务商的核心功能可以帮助企业更高效地管理和优化其电子邮件营销活动&#xff0c;从而提升客户参与度和转化率。AokSend将详细介绍邮件推送服务商的一些核心功能。 邮件推送服务商&#xff…

弹窗‘xlive.dll没有被指定在Windows’要怎么解决?教你4种修复xlive.dll的方法

大家在使用电脑期间是否曾遭遇过一个弹窗警告&#xff0c;“xlive.dll没有被指定在Windows”&#xff1f;假如你确实碰到过这样的问题&#xff0c;当时你是如何应对xlive.dll文件缺失的状况呢&#xff1f;对于那些还不清楚如何处理此问题的朋友们&#xff0c;接下来所述的几种方…

Go单测时的Parallel

在 Go 语言中&#xff0c;t.Parallel() 通常用于测试代码中&#xff0c;表示将当前的测试用例标记为可以并行执行。 当在测试函数中调用 t.Parallel() 后&#xff0c;测试框架会尝试在多个 goroutine 中并行地执行被标记的测试用例。 这可以显著提高测试的执行效率&#xff0c;…

用Python的Pygame包实现水果忍者小游戏

先上一下运行结果 长按鼠标左键出刀, 切割水果几分, 切割炸弹结束游戏, 漏掉的水果也会几分, 难度会随时间慢慢提高(水果的刷新频率变快) 初始化 帧率200帧/秒, 游戏窗口大小800600 # 游戏设置 pygame.init() FPS 200 fpsClock pygame.time.Clock() WIDTH, HEIGHT 800, 60…

比官方镜像体积还小的基于Anolis OS8.6的Python3.8.8的编译安装Dockerfile

本次编译安装解决了安装3.8.8编译安装过程中的所有报错&#xff0c;同时&#xff0c;OpenSSL升级至3.0.14、内置Git&#xff0c;支持IPv6&#xff0c;Python环境同时预安装httpx和boto3模块。 FROM openanolis/anolisos:8.6 as PYTHONARG PYTHON_VERSION"3.8.8" ARG…

Elasticsearch term 查询:精确值搜索

一、引言 Elasticsearch 是一个功能强大的搜索引擎&#xff0c;它支持全文搜索、结构化搜索等多种搜索方式。在结构化搜索中&#xff0c;term 查询是一种常用的查询方式&#xff0c;用于在索引中查找与指定值完全匹配的文档。本文将详细介绍 term 查询的工作原理、使用场景以及…

【FPGA】静态分析与时序约束(持续更新

Reference&#xff1a; V2静态时序分析与时序约束文档 入门 无时序约束场景中&#xff0c;普通图像显示不清晰&#xff0c;千兆网口接收Ethernet package 数据不正常&#xff0c;红外场景中图像显示不正常 Definition&#xff1a; 我们提出一些特定的时序要求&#xff08;或…

辅助构造函数相关学习以及php实现

https://mp.weixin.qq.com/s/J9hgLTxYi7ZJdFVG2VszQg 对这个文章进行摘要生成 ### 总体概要 文章阐述了在对象创建过程中&#xff0c;辅助构造函数&#xff08;或称为“多个”构造函数&#xff09;的重要性&#xff0c;它们为代码增加了功能性逻辑&#xff0c;并允许根据需求调…

Ada判别式记录的效率问题

在Ada语言的判别式记录类型&#xff08;discriminated record type&#xff09;中&#xff0c;包含了被称为判别器&#xff08;discriminant&#xff09;的元件&#xff08;component&#xff09;&#xff0c;以及依赖判别器的记录分量&#xff08;component&#xff09;。 依…

文章MSM_metagenomics(七):分组马赛克图

欢迎大家关注全网生信学习者系列&#xff1a; WX公zhong号&#xff1a;生信学习者Xiao hong书&#xff1a;生信学习者知hu&#xff1a;生信学习者CDSN&#xff1a;生信学习者2 介绍 本教程是使用一个Python脚本来绘制马赛克图&#xff0c;用于可视化两个变量的频率分布。 数…