在无码间串扰时,若存在加性噪声,判决电路也 可能造成错判。 在无码间串扰的基带系统中,设信道噪声是平稳 高斯白噪声,因为接收滤波器是线性网络,故判决 电路输入噪声也是一个平稳高斯白噪声,假设其均 值为0,方差为2,判决门限为Va,且采用双极性 基带信号,则: 将“1”错判为“0”的漏报概率为:

一、两点分布 三、泊松分布 四、均匀分布 二、二项分布 五、指数分布 六、正态分布

1、OLS估计量的概率分布 B的概率分布 首先,服从正态分布的随机变量的线性组合仍然 服从正态分布。 其次,B分别是的线性组合,因此B的概率分 布取决于随机误差项μ 因此在μ是正态分布的假设下,每一个B也 服从正态分布,其分布特征(密度函数)由其均值和方差唯 一决定

一、单个总体均值μ的检验 二、单个总体方差σ2的检验 三、小结

§8.1 假设检验 §8.2 正态总体均值的假设检验 §8.3 正态总体方差的假设检验 §8.6 分布拟合检验

§7.1 点估计 §7.2 基于截尾样本的最大似然估计 §7.3 估计量的评选标准 §7.4 区间估计 §7.5 正态总体均值和方差的区间估计 §7.6 (0－1)分布参数的区间估计 §7.7 单侧置信区间

自适应线性元件( Adaptive Linear Element,简称 Adaline)也是早期神经网络 模型之一,它是由威德罗( Widrow)和霍夫(Hof)首先提出的。它与感知器 的主要不同之处在于其神经元有一个线性激活函数,这允许输出可以是任意 值,而不仅仅只是像感知器中那样只能取0或1。另外,它采用的是W一H学 习法则,也称最小均方差(LMS)规则对权值进行训练,从而能够得到比感知器 更快的收敛速度和更高的精度 自适应线性元件的主要用途是线性逼近一个函数式而进行模式联想

1 最小二乘估计 / 3 2 极大似然估计 / 6 3 极大验后估计 / 8 4 最小方差估计 / 11 5 融合估计 / 15

9.1 向量自回归理论 9.2 结构VAR(SVAR)模型的识别条件 9.3 VAR模型的检验 9.4 脉冲响应函数 9.5 方差分解 9.6 Johansen协整检验 9.7 向量误差修正模型(VEC)

对比例的推断 数据=(1,,11.0,伯努利(P) 目标一估计P值,成功的概率(或具有某种 性质的总体比例) p=x=在n次观测中成功的个数 Var( p) =p(1-p)/n =pq/n ·方差依赖均值