针对密度聚类算法对邻域参数设置敏感的问题，提出一种基于密度的模糊自适应聚类算法.算法在无需预先设置聚类数以及邻域参数的情况下，可以自适应地根据样本间距离关系确定邻域半径得到样本密度，并根据样本密度逐渐增加聚类中心.为了保障聚类结果的正确性，同时提出一种新的模糊聚类有效性指标以判断最佳聚类数，消除了密度聚类算法对参数的敏感性.用UCI基准数据集进行实验，发现本文算法在对数据进行聚类时，聚类质量较原始密度聚类算法在准确性和自适应性方面均有显著提高

设想国家教育部想了解上海中学生的体质状况，抽样调 查是既省钱又省时的办法，显然上海地区的中学生均是总体 的单元，从全体学生中随机无放回地抽取若干样本是理想的 概率抽样方法，但是编制全体中学生的抽样框本身是件麻烦 事，况且一个合理的有代表性的样本一般应该遍布全市，在 对如此分散的中学生样本逐个进行访问

问题的提出 人们经常遇到的问题是如何选取样本以及 根据样本来对总体的种种统计特征作出判 断。实际工作中碰到的随机变量(总体)往 往是分布类型大致知道,但确切的形式并不 知道,亦即总体的参数未知.要求出总体的 分布函数F(x)(或密度函数p(x))就等于要根 据样本来估计出总体的参数.这类问题称为 参数估计

首先给出了通过矩形块与三角像素特征块相结合所构造的八种用于眼睛检测的扩展三角特征原型块.考虑扫描块在人脸背景中遍历时眼睛样本图像块数量远少于非眼睛样本块数的实际,提出了一种结合Haar特征和三角特征的AdaBoost快速眼睛检测算法.通过级联分类器的前几层强分类器完成排除大部分非眼睛样本;然后,通过后续强分类器进行判断大部分的眼睛图像块和少量非眼睛图像块.检测时间消耗有所下降,这样可以保证整体的检测速度.实验结果进一步表明该算法具有更好的检测性能,与仅使用Haar特征相比正检率有一定程度提高

独立样本T检验 (tow- sample ttest- for independent samples PSS的 Independent-Sample- Test过程用于执行独立样 本T检验,进行两样本资料的均数比较,要求两样本均来自正 态总体且方差相同

一、数理统计的某些基本概念 1、总体与样本 总 体 ： 被研究对象某特性值的全体。 个 体 ： 组成总体的每个单元。 样本（子样）： 自总体中随机抽取的一部分个体。 样 本 容 量 ： 样本中所包含个体的数目，用n表示

数理统计的主要任务之一是依据样本推断总体 推断的基本内容包括两个方面:是依据样本寻找 总体未知参数的近似值和近似范围;二是依据样本 对总体未知参数的某种假设作出真伪判断本章先 介绍求近似值和近似范围的方法

要点：掌握概率、概率分布和随机变量等的基本概念。重 点区分清楚总体和样本。 2.1一些符号 2.2实验、样本空间、样本点和事件 2.3随机变量 2.4概率 2.5随机变量及其概率分布 2.6多元概率密度函数 2.7总结

一、总体和样本 二、小结

我们前面已经比较系统地讨论了双样本的参数和非参数检验的问题。现在，我们希望利用一般的方法来检验三个以上样本的差异， 检验法和方差分析法就是解决这方面问题的。检验法可以对拟合优度和独立性等进行检验，方差分析法则可以对多个总体均值是否相等进行检验。后者由于通过各组样本资料之间的方差和组内方差的比较来建立服从F分布的检验统计量，所以又称F检验。 第一节：拟合优度检验 第二节：无关联性检验 第三节：方差分析 第四节：回归方程与相关系数的检验