如果你也在 怎样代写概率论probability theory这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。概率论probability theory作为统计学的数学基础，概率论对许多涉及数据定量分析的人类活动至关重要。概率论的方法也适用于对复杂系统的描述，只对其状态有部分了解，如在统计力学或顺序估计。二十世纪物理学的一个伟大发现是量子力学中描述的原子尺度的物理现象的概率性质。
概率论probability theory是与概率有关的数学分支。虽然有几种不同的概率解释，但概率论以严格的数学方式处理这一概念，通过一组公理来表达它。通常，这些公理以概率空间的形式表达概率，将一个取值在0和1之间的度量，称为概率度量，分配给一组称为样本空间的结果。样本空间的任何指定子集被称为事件。概率论的核心课题包括离散和连续随机变量、概率分布和随机过程（为非决定性或不确定的过程或测量量提供数学抽象，这些过程或测量量可能是单一发生的，或以随机方式随时间演变）。尽管不可能完美地预测随机事件，但对它们的行为可以有很多说法。概率论中描述这种行为的两个主要结果是大数法则和中心极限定理。
my-assignmentexpert™ 概率论probability theory作业代写，免费提交作业要求， 满意后付款，成绩80\%以下全额退款，安全省心无顾虑。专业硕 博写手团队，所有订单可靠准时，保证 100% 原创。my-assignmentexpert™， 最高质量的概率论probability theory作业代写，服务覆盖北美、欧洲、澳洲等 国家。 在代写价格方面，考虑到同学们的经济条件，在保障代写质量的前提下，我们为客户提供最合理的价格。 由于统计Statistics作业种类很多，同时其中的大部分作业在字数上都没有具体要求，因此概率论probability theory作业代写的价格不固定。通常在经济学专家查看完作业要求之后会给出报价。作业难度和截止日期对价格也有很大的影响。
想知道您作业确定的价格吗? 免费下单以相关学科的专家能了解具体的要求之后在1-3个小时就提出价格。专家的 报价比上列的价格能便宜好几倍。
my-assignmentexpert™ 为您的留学生涯保驾护航 在数学Mathematics作业代写方面已经树立了自己的口碑, 保证靠谱, 高质且原创的数学Mathematics代写服务。我们的专家在概率论probability theory代写方面经验极为丰富，各种概率论probability theory相关的作业也就用不着 说。
我们提供的概率论probability theory及其相关学科的代写，服务范围广, 其中包括但不限于:
数学代写|概率论代写probability theory代考|Location M-estimators
It will be convenient first to consider the case of monotonic but not necessarily odd $\psi$. Assume that
$$
k_{1}=-\psi(-\infty), k_{2}=\psi(\infty)
$$
are finite. Then it is shown in Section 3.8.3 that
$$
\varepsilon^{}=\frac{\min \left(k_{1}, k_{2}\right)}{k_{1}+k_{2}} . $$ It follows that if $\psi$ is odd, then $k_{1}=k_{2}$ and the bound $\varepsilon^{}=0.5$ is attained. Define
$$
\varepsilon_{j}^{}=\frac{k_{j}}{k_{1}+k_{2}}(j=1,2) \text {. } $$ Then, (3.21) is equivalent to $$ \varepsilon^{}=\min \left(\varepsilon_{1}^{}, \varepsilon_{2}^{}\right)
$$
The proof of (3.21) shows that $\varepsilon_{1}^{}$ and $\varepsilon_{2}^{}$ are respectively the BPs to $+\infty$ and to $-\infty$. It can be shown that redescending estimators also attain the bound $\varepsilon^{*}=0.5$, but the proof is more involved since one has to deal, not with (2.19), but with the minimization (2.13).
数学代写|概率论代写probability theory代考|Scale and dispersion estimators
We deal first with scale estimators. Note that while a high proportion of atypical points with large values (outliers) may cause the estimator $\hat{\sigma}$ to overestimate the true scale, a high proportion of data near zero (“inliers”) may result in underestimation of the true scale. Thus it is desirable that the estimator remains bounded away from zero (“implosion”) as well as away from infinity (“explosion”). This is equivalent to keeping the logarithm of $\hat{\sigma}$ bounded.
Note that a scale M-estimator with $\rho$-function $\rho$ may be written as a location M-estimator “in the log scale”. Put
$$
y=\log |x|, \mu=\log \sigma, \psi(t)=\rho\left(e^{t}\right)-\delta .
$$
Since $\rho$ is even and $\rho(0)=0$, then
$$
\rho\left(\frac{x}{\sigma}\right)-\delta=\rho\left(\frac{|x|}{\sigma}\right)-\delta=\psi(y-\mu)
$$
and hence $\hat{\sigma}=\exp (\hat{\mu})$, where $\hat{\mu}$ verifies $\operatorname{ave}(\psi(\mathbf{y}-\hat{\mu}))=0$, and hence $\hat{\mu}$ is a location M-estimator.
数学代写|概率论代写PROBABILITY THEORY代考|Location with previously-computed dispersion estimator
In Table $3.1$ we saw the bad consequences of using an M-estimator $\hat{\mu}$ with the SD as the previously computed dispersion estimator $\hat{\sigma}$. The reason is that the outliers inflate this dispersion estimator, and hence outliers do not appear as such in the “standardized” residuals $\left(x_{i}-\widehat{\mu}\right) / \hat{\sigma}$. Hence the robustness of $\hat{\sigma}$ is essential for that of $\hat{\mu}$.
For monotone M-estimators with bounded and odd $\psi$, it can be shown that $\varepsilon^{}(\widehat{\mu})=\varepsilon^{}(\hat{\sigma})$. Thus, if $\hat{\sigma}$ is the MAD then $\varepsilon^{}(\hat{\mu})=0.5$, but if $\hat{\sigma}$ is the SD then $\varepsilon^{}(\hat{\mu})=0 .$
Note that (3.16) implies that the location estimators using the SD and the MAD as previous dispersion have the same IF, while at the same time they have quite different BPs. Note that this is an example of an estimator with a bounded IF but a zero BP.
For redescending M-estimators (2.66) with bounded $\rho$, the situation is more complex. Consider first the case of a fixed $\sigma$. It can be shown that $\varepsilon^{}(\widehat{\mu})$ can be made arbitrarily small by taking $\sigma$ small enough. This suggests that for the case of an estimator $\sigma$, it is not only the BP of $\hat{\sigma}$ that matters but also the size of $\hat{\sigma}$. Let $\hat{\mu}{0}$ be an initial estimator with $\mathrm{BP}=0.5$ (say the median), and let $\hat{\sigma}$ be an M-scale centered at $\widehat{\mu}{0}$, as defined by
$$
\frac{1}{n} \sum_{i=1}^{n} \rho_{0}\left(\frac{x_{i}-\widehat{\mu}{0}}{\hat{\sigma}}\right)=0.5 $$ where $\rho{0}$ is another bounded $\rho$-function. If $\rho \leq \rho_{0}$, then $\varepsilon^{}(\widehat{\mu})=0.5$ (a proof is given in Section 3.8.3).
概率论代写
数学代写|概率论代写PROBABILITY THEORY代考|LOCATION M-ESTIMATORS
首先考虑单调但不一定是奇数的情况会很方便ψ. 假使，假设
ķ1=−ψ(−∞),ķ2=ψ(∞)
是有限的。然后在第 3.8.3 节中显示
$$
k_{1}=-\psi(-\infty), k_{2}=\psi(\infty)
$$
are finite. Then it is shown in Section 3.8.3 that
$$
\varepsilon^{}=\frac{\min \left(k_{1}, k_{2}\right)}{k_{1}+k_{2}} . $$ It follows that if $\psi$ is odd, then $k_{1}=k_{2}$ and the bound $\varepsilon^{}=0.5$ is attained. Define
$$
\varepsilon_{j}^{}=\frac{k_{j}}{k_{1}+k_{2}}(j=1,2) \text {. } $$ Then, (3.21) is equivalent to $$ \varepsilon^{}=\min \left(\varepsilon_{1}^{}, \varepsilon_{2}^{}\right)
$$
的证明3.21表明 $\varepsilon_{1}^{ }一种nd\ 伐瑞西隆_ {2} ^ { {一种r和r和sp和C吨一世在和l是吨H和乙磷s吨这+\infty一种nd吨这-\infty.一世吨C一种nb和sH这在n吨H一种吨r和d和sC和nd一世nG和s吨一世米一种吨这rs一种ls这一种吨吨一种一世n吨H和b这在nd\varepsilon^{*}=0.5$，但证明更复杂，因为必须处理，而不是处理2.19, 但随着最小化2.13.
数学代写|概率论代写PROBABILITY THEORY代考|SCALE AND DISPERSION ESTIMATORS
我们首先处理规模估计器。请注意，虽然高比例的非典型点具有较大的值这在吨l一世和rs可能导致估算器σ^高估真实规模，高比例的数据接近于零“一世nl一世和rs”可能会导致低估真实比例。因此，期望估计量保持在远离零的范围内“一世米pl这s一世这n”以及远离无限“和Xpl这s一世这n”. 这相当于保持对数σ^有界的。
请注意，具有ρ-功能ρ可以写成“对数尺度”中的位置 M 估计量。放
是=日志|X|,μ=日志σ,ψ(吨)=ρ(和吨)−d.
自从ρ是均匀的并且ρ(0)=0， 然后
ρ(Xσ)−d=ρ(|X|σ)−d=ψ(是−μ)
因此σ^=经验(μ^)， 在哪里μ^验证大道(ψ(是−μ^))=0， 因此μ^是一个位置 M 估计器。
数学代写|概率论代写PROBABILITY THEORY代考|LOCATION WITH PREVIOUSLY-COMPUTED DISPERSION ESTIMATOR
在表中3.1我们看到了使用 M 估计器的不良后果μ^以 SD 作为先前计算的色散估计量σ^. 原因是异常值夸大了这个离散估计量，因此异常值不会出现在“标准化”残差中(X一世−μ^)/σ^. 因此，鲁棒性σ^是必不可少的μ^.
对于有界和奇数的单调 M 估计器ψ, 可以证明 $\varepsilon^{ }μ^= \ 伐普西隆 ^ {σ^.吨H在s,一世F\帽子{\西格玛}一世s吨H和米一种D吨H和n\ 伐普西隆 ^ {μ^=0.5,b在吨一世F\帽子{\西格玛}一世s吨H和小号D吨H和n\ 伐普西隆 ^ {μ^=0 .$
注意3.16这意味着使用 SD 和 MAD 作为先前分散的位置估计器具有相同的 IF，而同时它们具有完全不同的 BP。请注意，这是一个有界 IF 但 BP 为零的估计器示例。
对于重新下降的 M 估计器2.66有界ρ，情况比较复杂。首先考虑固定的情况σ. 可以证明$\rho$, the situation is more complex. Consider first the case of a fixed $\sigma$. It can be shown that $\varepsilon^{}(\widehat{\mu})$ can be made arbitrarily small by taking $\sigma$ small enough. This suggests that for the case of an estimator $\sigma$, it is not only the BP of $\hat{\sigma}$ that matters but also the size of $\hat{\sigma}$. Let $\hat{\mu}{0}$ be an initial estimator with $\mathrm{BP}=0.5$ (say the median), and let $\hat{\sigma}$ be an M-scale centered at $\widehat{\mu}{0}$, as defined by
$$
\frac{1}{n} \sum_{i=1}^{n} \rho_{0}\left(\frac{x_{i}-\widehat{\mu}{0}}{\hat{\sigma}}\right)=0.5 $$ where $\rho{0}$ is another bounded $\rho$-function. If $\rho \leq \rho_{0}$, then $\varepsilon^{}(\widehat{\mu})=0.5$
数学代写|概率论代写probability theory代考 请认准UprivateTA™. UprivateTA™为您的留学生涯保驾护航。
电磁学代考
物理代考服务：
物理Physics考试代考、留学生物理online exam代考、电磁学代考、热力学代考、相对论代考、电动力学代考、电磁学代考、分析力学代考、澳洲物理代考、北美物理考试代考、美国留学生物理final exam代考、加拿大物理midterm代考、澳洲物理online exam代考、英国物理online quiz代考等。
光学代考
光学（Optics），是物理学的分支，主要是研究光的现象、性质与应用，包括光与物质之间的相互作用、光学仪器的制作。光学通常研究红外线、紫外线及可见光的物理行为。因为光是电磁波，其它形式的电磁辐射，例如X射线、微波、电磁辐射及无线电波等等也具有类似光的特性。
大多数常见的光学现象都可以用经典电动力学理论来说明。但是，通常这全套理论很难实际应用，必需先假定简单模型。几何光学的模型最为容易使用。
相对论代考
上至高压线，下至发电机，只要用到电的地方就有相对论效应存在！相对论是关于时空和引力的理论，主要由爱因斯坦创立，相对论的提出给物理学带来了革命性的变化，被誉为现代物理性最伟大的基础理论。
流体力学代考
流体力学是力学的一个分支。 主要研究在各种力的作用下流体本身的状态，以及流体和固体壁面、流体和流体之间、流体与其他运动形态之间的相互作用的力学分支。
随机过程代写
随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其取值随着偶然因素的影响而改变。 例如，某商店在从时间t0到时间tK这段时间内接待顾客的人数，就是依赖于时间t的一组随机变量，即随机过程
Matlab代写
MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。