Scientific Review: Application of Probability Distributions for Wind Speed Modeling
风速建模是航空安全，气象和可再生能源应用的关键方面。准确的风速预测增强了科学审查：风速建模的概率分布的应用首先出现在航空航天世界上。
Rational expectations, uncertainty, and learning
来自Lars syll的理性期望假设以一致性为基本的理由，即代理人完全了解所有相关概率分布函数。当试图将学习纳入这些模型时 - 试图采取最新发起的批评的热量 - […]
Rational expectations, uncertainty, and learning
理性期望假设以一致性为基本的原因，即代理人完全了解所有相关概率分布函数。在尝试将学习纳入这些模型时 - 试图最新发起的一些批评的热量 - 它始终是[…]
The Probability Density Function: A Known Unknown
在大多数统计问题中，从一开始就可以直接获得的最重要的事情是了解数据的概率分布函数（PDF）是什么。如果您完全知道这是可能的，但在实践中很少实现 - 您处于统计天堂：您可以使用最大似然方法进行参数估计，并且您可以对整个问题了解很多。阅读更多
Upcoming and Recent Speaking Engagements
CBO的董事Phillip Swagel讨论了他即将进行的，最近的演讲活动，以了解该机构对联邦预算和美国经济的预测以及整体财政前景。 本工作论文估算了2100年因温度变化而导致的2100年国内生产总值变化的概率分布。 由众议院规则委员会发布于2025年2月24日 在2023年，联邦，州和地方政府用于运输和水基础设施的支出总计6260亿美元。此幻灯片甲板更新CBO在2018年发布的信息。
Method of Moments Estimation with Python Code
假设您在客户服务中心，并且想要知道每分钟呼叫次数的概率分布，或者换句话说，您想要回答这个问题：每分钟接到零个、一个、两个……等呼叫的概率是多少？您需要此分布才能 […] 使用 Python 代码进行矩估计法的帖子首先出现在 Towards Data Science 上。
Uncertainty, learning, and rational expectations
理性预期假设假设——主要是出于一致性的原因——代理完全了解所有相关的概率分布函数。当试图将学习纳入这些模型时——试图将一些针对它的批评热潮带到最新状态——它总是 […]
超過確率何分の1の豪雨が基準?－治水事業の整備基準を確率の面から見てみよう
是因为全球变暖的影响吗？近年来，各地出现线性降水带形成的大量降雨和暴雨短时集中降水。这些降水可能会导致陡坡上发生山体滑坡，并因河流泛滥而引发洪水。 由于日本是一个山多平原少的岛国，因此与大陆国家相比，有很多坡度陡峭的河流。大雨时，水位突然上涨，更容易发生洪水。因此，自古以来全国各地都开展河流防洪工作。特别是位于木曾川（长良川、木曾川、揖斐川）集中的浓尾平原环地区的爱知县、岐阜县、三重县，重点抓好防洪工作。 在涉及水的分配和循环的水文学和涉及水流和防洪的水力学中，在确定堤坝等设施的维护水平时使用“超出概率”的概念。这是维护的目标标准，决定了设施能够承受大雨的可能性。超标概率使用基于过去降雨记录的
混沌顺序传播 (SPoC) 是一种用于求解平均场随机微分方程 (SDE) 及其相关非线性福克-普朗克方程的最新技术。这些方程描述了受随机噪声影响的概率分布的演变，在流体动力学和生物学等领域至关重要。解决这些 PDE 的传统方法面临着挑战，因为它们的 DeepSPoC：将混沌顺序传播与深度学习相结合以有效解决平均场随机微分方程首先出现在 AI Quantum Intelligence 上。
Signal Power Distributions for Simulated Outdoor Sound Propagation in Varying Refractive Conditions
摘要：通过抛物线方程法模拟了通过近地面大气传播的声学信号的概率分布。模拟涉及相对于平均风的四个角度的传播，频率为 100、200、400 和 800 Hz。环境表示包括真实的大气折射轮廓、湍流和地面相互作用；我们分别考虑了风速和地表热通量中存在和不存在参数不确定性的情况。模拟信号涵盖了从接近零到超过十的广泛闪烁指数范围。在没有不确定性的情况下，无论频率和折射条件如何，信号功率（或强度）都可以通过双参数伽马分布很好地拟合。当包含不确定性时，需要三参数分布（即复合伽马或广义伽马）才能很好地拟合模拟数据。复合伽马分布似乎是更可取的，因为它的参数具有与信号饱和和不确定性调制相关的直接解释。
生成流网络 (GFlowNets) 解决了机器学习中从非正则化概率分布中采样的复杂挑战。通过在构造的图上学习策略，GFlowNets 通过一系列步骤促进有效采样，近似目标概率分布。这种创新方法通过提供强大的框架来处理帖子这项机器学习研究试图在 GFlowNets 的背景下形式化泛化并将泛化与稳定性联系起来，首次出现在 AI Quantum Intelligence 上。
8/6/21: World is more VUCA. Less Risk.
对于近年来一直是我学生的人来说，这一切都不会令人感到惊讶：我们周围的世界正变得不那么“受风险驱动”，而更“容易出现 VUCA”。当然，VUCA 指的是易变、不确定、复杂和模糊。以下是麦肯锡的简洁总结：上述数据集在任何结构化或定义意义上都不是“风险”。没有一个数据集具有已知的、易于定义的概率分布，没有一个数据集具有严格可识别的影响分布，也没有一个数据集遵循大数正态定律。这些是不确定事件，它们也通过复杂的传染途径相互关联。祝你好运，为他们制定精算表……
Primer on the math of Machine Learning
1.向量的点积（内积或标量积）2个向量a和b的点积定义为：aT . b ，也可以表示为bT 。 a两个向量 a = [a1, a2, …, an] 和 b = [b1, b2, …, bn] 的点积定义为：{\displaystyle \mathbf {\color {red}a} \cdot \mathbf {\color {blue}b} =\sum _{i=1}^{n}{\color {red}a}_{i}{\color {blue}b}_{i}={\color {red}a}_{1}{\color {blue}b}_{1}+{\color {red}a}_{2}{\color {blu
Recursions for the Moments of Some Discrete Distributions
您可以说，“矩决定分布”。虽然这并不完全正确，但非常接近。概率分布的矩提供了有关底层随机变量行为的关键信息，我们将这些矩用于多种目的。在继续之前，让我们先确保我们的观点一致。一些背景假设我们有一个随机变量 X，其分布函数为 F(x)，其中 x 是 X 的某个值。以下引文来自我的一篇旧博客文章：“有时被称为“矩问题”的东西告诉我们：如果分布的所有矩都存在，那么了解这些矩就等同于了解分布本身。换句话说，矩完全定义了分布。但是，请注意上面结果陈述中的“如果”一词。这是一个非常大的“如果”！问题是，对于许多分布，矩仅在某些条件下存在；对于某些分布，部分或所有矩都无法定义。在这些情况下，“定理”的帮助有
说到概率，很多人可能会想，“很久以前数学题里就出现过，但不知道它在社会上有什么用。” 对于普通人来说，日常生活中经常看到的概率就是天气预报中下雨的概率或者是彩票中奖的概率。然而，在天气预报中，70% 和 80% 的下雨几率之间的差异通常不是问题。天气预报说下雨的可能性很大，所以我想出门时带把雨伞。 说到彩票，似乎没有多少人重视概率的差异。即使中奖“含一等奖、二等奖在内的10亿日元”年终大彩票的概率不是两千万分之一，而是两倍，即千万分之一，对于大多数购买该彩票的人来说，抽奖，因为你似乎永远感觉不到差别。 那么问题来了，概率有什么用呢？即使您不知道骰子上的数字、硬币的两面、扑克牌和罐子里的彩球等项
