帽子模型是什麼抽樣

1. 常用的抽樣調查方法有哪些各有何優缺點

1、簡單隨機抽樣 優點：當總體內觀察單位數與樣本例數都不大時擁有實施，均數及其標 准誤的計算也比較簡單。

2、分層抽樣 優點：易於理解、簡單易行。容易得到一個按比例分配的本。

3、系統抽樣 優點：由於分層後各層內的個體同質性質增強，使得抽樣誤差比較小。

4、整群抽樣 優點：便於組織，節省人力、物力、時間，容易控制調查質量。

我們生活在比較之中，有黑暗才有光明，有恨才有愛，有壞才有好，有他人和他人所做的事我們才知道自己是誰，自己在做什麼。一切都在比較中才能存在，沒有丑便沒有美，沒有失去便沒有得到。

我們只需要一個我真愛的人和真愛我的人，在一起，我們的人生便圓滿了。人的一生中最重要的不是名利，不是富足的生活，而是得到真愛。有一個人愛上你的所有，你的苦難與歡愉，眼淚和微笑，每一寸肌膚，身上每一處潔凈或骯臟的部分。

真愛是最偉大的財富，也是唯一貨真價實的財富。如果在你活了一回，未曾擁有過一個人對你的真愛，這是多麼遺憾的人生啊!

生活中的定律是為實踐和事實所證明，反映事物在一定條件下發展變化的客觀規律的論斷。定律是一種理論模型，它用以描述特定情況、特定尺度下的現實世界，在其它尺度下可能會失效或者不準確。

沒有任何一種理論可以描述宇宙當中的所有情況，也沒有任何一種理論可能完全正確。人生同樣有其客觀規律可循。

一、生活定律 痛苦定律:死無疑是痛苦的，然而還有比死更痛苦的東西，那就是等死。

幸福定律:如果你不再總是想著自己是否幸福時，你就獲得幸福了。

錯誤定律:人人都會有過失，但是，只有重復這些過失時，你才犯了錯誤。

沉默定律:在辯論時，沉默是一種最難駁倒的觀點。

動力定律:動力往往只是起源於兩種原因:希望，或者絕望。

受辱定律:受辱時的唯一辦法是忽視它，不能忽視它時就藐視它;如果連藐視它也不能，那麼你就只能受辱了。

愚蠢定律:愚蠢大多是在手腳或舌頭運轉得比大腦還快的時候產生的。

化妝定律:在修飾打扮上花費的時間有多少，你就需要掩飾的缺點也就有多少。

省時定律:要想學會最節省時間的辦法，首先就需要學會說"不"。

地位定律:有人站在山頂上，有人站在山腳下，雖然所處的地位不同，但在兩者的眼中所看到的對方，卻是同樣大小的。

失敗定律:失敗並不以為著浪費時間與生命，卻往往意味著你又有理由去擁有新的時間與生命了。

談話定律:最使人厭煩的談話有兩種:從來不停下來想想;或者，從來也不想停下來。

誤解定律:被某個人誤解，麻煩並不大;被許多人誤解，那麻煩就大了。

結局定律:有一個可怕的結局，也比不上沒有任何結局可怕。

二、工作定律

安全定律:最安全的單位幾十年沒有得過安全獎(最安全證明你們安全沒有做工作)

需要定律:同樣兩個相同的單位，同樣的辦公費。多少年以後，發生了變化(證明你們單位辦公不需要那麼多的錢)出來反對，這種成功的概論會歸結為零。

評比定律:領導認為誰好，誰就好。(只要領導看你不順眼，再辛辛苦苦地工作也是白費力氣。)

一票否決定律:在一個單位，比如升工資，比如提拔任用，一個人提出來，往往成功的概率最大，而另一個人站

接受教育定律:每個單位都有吊兒郎當不好好乾工作的人。但領導往往在批評這些人的時候，這些人恰恰不在場，於是，便出現了遵紀守法的人，經常接受教育的尷尬局面。

哭鬧定律;那個部門沒有幾個因為經常的哭鬧而得到了實惠，他有什麼理由不經常哭鬧下去。(此定理也適用那些經常在領導面前叫苦叫累的部門)

能者多勞定律:在同一科室里，有的人雖然在其崗，但卻不能勝任本職工作，那他的工作只能由能勝任該項工作的人去代勞。

不平衡定律:年年當先進的部門或個人，一年沒有當先進便想不通;從未當先進的部門或個人，當上先進後便想不到。

少勞多得定律:一般的單位，都分為合同工、(過去稱為正式工)協議工、臨時工等等。拿錢越少的工作量越大，而且越容易被解僱;拿錢越多的越沒有多少事情可干，而且最不容易被解僱。

2. 概率，初學，為什麼抽樣模型不要考慮n次裡面選m次是不合格品，而放回抽樣要考慮啊

因為第一個這個抽樣模型是一次性抽樣，抽出來的產品混在一起，只記合格總數和不合格總數，所以用組合公式，屬於無序問題。而第二個放回式抽樣問題，是一個一個抽出來的，每一次都是從N個樣品中拿，需要知道是n次抽樣中的哪m次為次品，而這m次又都是從M個裡面抽出來的，所以用指數公式，乘以Cnm相當於化有序為無序的一步。能理解嗎？

3. 古典概型中抽樣模型的隨機變數服從什麼分布

服從均勻分布，如果細分，則又分為一維均勻分布，二維均勻分布和三維均勻分布。

4. 實際模型研究

前面的概念模型僅基於非條件模擬,其網格節點具有相同的環境特徵。而在實際應用時,有很多信息(如井信息、地震信息)等影響周圍待估點。也就是說,不同網格節點其環境特徵不一樣,導致可信度存在差異。這樣基於信息度的方法將顯現出優勢。利用三口井建立的砂泥岩分布(圖9-3),進行實際應用對比研究。

圖9-4是利用序貫指示建模(SIS)獲得的模擬結果,模擬參數見表2。將塊金設置為0的目的是為了使模擬的砂泥岩分布更連續。事實上,在計算變差函數時,由於井網密度的關系(抽樣距離大),導致小距離范圍內的變差函數值難以獲得,在進行擬合時,往往會有一個塊金效應,導致出現更多的「噪音」。從塊金值為0的SIS模擬結果看,仍然存在一些「噪音」,表明SIS模擬結果需要進行後處理。分別應用基於信息度的方法和MAPS方法對此模擬結果進行了處理(圖9-5a、圖9-5b)。從處理效果看,基於信息度的方法獲得的圖像更符合地質人員的認識,圖像邊界更光滑,模擬結果與實際解釋儲層分布更相似;而MAPS方法則仍然存在一些局部「噪音」,邊界平滑度差。

圖9-3 三口井建立的砂泥岩剖面

圖9-4 SIS的一個條件模擬

此外,比較圖9-5a和圖9-5b的圓圈部位可以發現,基於信息度的方法考慮到井點條件數據對周圍節點提供的信息,根據信息度首先處理最不合理的模擬結果,將砂泥岩分布更好展現出來;而MAPS方法由於對每一個網格節點都採取一樣的權重,沒有考慮井點條件數據對周圍節點提供的信息,導致砂泥岩分布不合理。

圖9-5 兩種後處理方法實際應用比較圖

作為更深入的研究,對圖9-5中圓圈部位的SIS模擬結果(模擬值及其信息度)進行了提取,分析兩種方法的處理過程及其導致的差異(圖9-6)。

圖9-6 局部後處理結果分析

圖9-6中a圖為SIS模擬結果圖,b圖則為對應網格節點的信息度圖。如果按照MAPS的加權處理方法,根據公式(9-2),可以得出後處理後出現砂岩和泥岩概率分別為

多點地質統計學原理、方法及應用

由於後處理原則是保留最大概率的點,這樣中心點為砂岩的實現必然得到保存。

然而,從提供的信息度來看,在中心點出現砂岩的信息度為負值,表明砂岩可能性小,而泥岩可能性大。同樣的,通過公式(9-2)以信息度為加權值計算出砂岩和泥岩的後處理結果。

多點地質統計學原理、方法及應用

表9-2 條件模擬參數及處理結果表

顯然,中心點為砂岩的SIS模擬實現就將為泥岩替代。

那麼兩者處理是否合理?對SIS條件模擬進行了分析,在此網格節點(73,86)處,通過提取模擬時條件概率發現,出現砂岩的概率僅為0.073。這樣的小概率事件為隨機抽樣所實現,反映了在此網格節點模擬的不真實。利用基於信息度的方法則很好揭示了這種不合理的抽樣,並最終在後處理中過濾掉這些點,反映了基於信息度的方法的合理性。

最後,從最終模擬實現獲得的概率來看(表9-2),基於信息度的方法更真實再現了砂泥岩的統計特徵,也證明了基於信息度的方法要優於MAPS方法。

5. 什麼是帽子矩陣（hat matrix）

對於線性模型Y=Xβ+e,E(e)=0,cov(e)=σ2I，矩陣H≙...X（XTX）-1XT是將觀測向量Y正交投影到由X的列向量所生成的子空間上的投影矩陣。Y^＝HY，習慣上稱H為帽子矩陣。

6. 求一套3DMAX的帽子模型

http://www.3dfrom.com/models//16113-0.htm 有個牛仔帽模型

7. 如果選擇一個更多的樣本，對抽樣分布模型有什麼影響

抽樣分布、樣本分布和總體分布

統計中用隨機變數X的取值范圍及其取值概率的序列來描述這個隨機變數，稱之為隨機變數X的概率分布。如果我們知道隨機變數X的取值范圍及其取值概率的序列，就可以用某種函數來表述X取值小於某個值的概率，即為分布函數：F(X)=P(X≤z)。
例如，一個由N家工業企業組成的總體，X為銷售收入。將總體所有企業的銷售收入按大小順序排隊，累計出總體中銷售收入小於某值x的企業數量並除以總體企業總數N，就可得到總體中銷售收入小於x的企業的頻率，也即抽取一個銷售收入小於x的企業的概率。此頻率或概率隨著x值不同而變化形成一個序列，形成了銷售收入X的概率分布。
總體分布是在總體中X的取值范圍及其概率。
樣本分布是在樣本中X的取值范圍及其概率。上例中，如果抽取n個企業作為樣本，我們同樣可以用這n個銷售收入的取值范圍及其概率描述其分布，也即樣本分布。樣本分布也稱為經驗分布，隨著樣本容量n的逐漸增大，樣本分布逐漸接近總體分布。
抽樣分布是指樣本統計量的概率分布。採用同樣的抽樣方法和同等的樣本量，從同一個總體中可以抽取出許許多多不同的樣本，每個樣本計算出的樣本統計量的值也是不同的。樣本統計量也是隨機變數，抽樣分布則是樣本統計量的取值范圍及其概率。仍以工業企業為例，我們設計了一個抽樣方案並確定了樣本量，這時可能抽取的樣本是眾多的，每抽取一個樣本就可以計算出一個企業平均銷售收入，所有可能形成的分布就是抽樣分布。例中，樣本統計量為隨機變數，抽樣分布是的概率分布。
研究概率分布對於抽樣調查是十分重要的，因為只有知道概率分布，才能夠利用抽樣技術推斷抽樣誤差。現實中，總體的分布狀況通常是未知的，但我們也無需知道總體分布，而只需知道抽樣分布。

當樣本容量足夠大的時候——通常是大於100，就可以把樣本分布近似的服從正態分布。

8. 什麼是拉丁超立方抽樣法它和蒙特卡羅模擬有什麼關系

簡單來說，拉丁超方采樣是從space-filling的觀點出發～保障其在空間中的投影均勻性。一般來說，采樣的質量關乎到代理模型的精度，於是一般情況下拉丁超方會優於隨機采樣，但是在極端情況下，例如二維條件下，拉丁超方的結果可能為一條沿著角平分線的斜線，這樣的話，采樣點不能很好的覆蓋整個區域，並且無法區分變數的影響～於是更近一步的發展出了最優拉丁超方，正交拉丁超方，最大最小准則拉丁超方～～

9. 模型方法

模型方法包括基於礦物和岩石的散射和吸收光譜性質模擬反射光譜的各種模型方法。因為成像光譜測量數據可以提供連續的光譜抽樣信息以產生細微的光譜特徵（Goetz，1989），故這種模型方法可以是確定性的而不是統計性的方法。高斯改進型模型（MGM）是最近幾年為分析反射光譜而發展起來的一種分析技術（Cloutis，1996）。這種分析技術與其他曲線擬合模型相比，演算法上有扎實的理論基礎，因而能提供更有效更可靠的分析結果（Sunshine等，1990）。

Sunshine等（1990）在他們的報道中首先評價傳統的吸收波段高斯模型（GM），指出用高斯模型描述因Fe²⁺等電子躍遷吸收的輝石礦物光譜並不適合；然後他們用冪定律描述能量和平均鍵長（average bond length）的關系來改進高斯模型（MGM），發現MGM能成功地描述由單個分布說明的幾種輝石混合物吸收特徵並能正確地將其分解成一系列MGM曲線。下面簡述GM和MGM模型及其性質，並用Sunshine等（1990）的實驗結果進一步說明MGM的特點。

一個隨機變數的高斯分布可以用它的中心（均值，μ）、寬度（標准差，σ）和強度（幅度，s）表示：

中亞地區高光譜遙感地物蝕變信息識別與提取

改變（xⁿ-μⁿ）指數相當於改變分布的對稱性，即曲線左、右翼相對斜率的改變。方程（4-14）中指數n的理想值能靠經驗指定。根據擬合效果和殘差值，Sunshine等（1990，1993）發現對於各種輝石的混合光譜，模擬各種成分的吸收波段取n=-1較理想。利用MGM模型，對具體一條離散的光譜曲線採用非線性的最小二乘法迭代擬合。最初由研究者提供估計參數值，然後按照一定的標准迭代調整模型參數（中心位置、標准差、幅度以及連續統的斜率和截距），直至前後兩次迭代所得的誤差改變數達到可以忽略的量級（或預先給定最小允許誤差）。一個良好的模型擬合取決於殘差之大小，殘差定義為模型值和實際值之差的均方根（RMS）。通常一種礦物的光譜曲線有多個吸收波段，尤其是復合礦物成分的光譜更是如此。因此需要對每個吸收特徵擬合分解各自的高斯曲線，直至所有高斯模擬曲線疊加之和與實際值相比產生的誤差達到允許接受的程度。所以利用MGM對實際測試礦物的光譜曲線可分解出許多相應各個吸收波段的高斯分布曲線。分析單個高斯分布曲線並對照已知礦物成分光譜（從光譜資料庫）就可知道測試光譜的種類及在混合光譜中所佔的光譜成分的比例。讀者如需要進一步了解MGM對實際光譜的擬合和分解成高斯分布曲線的過程，可參閱Sunshine等（1990）一文的附錄。Sunshine等（1990）利用MGM擬合分解兩種輝石：一種來自美國夏威夷火山彈（用Cpx表示）；另一種來自美國北卡羅來納州Webster地區（用Opx表示）。Opx和Cpx兩種輝石礦物成分含量不同，因此它們的吸收波段特徵也很不相同。Sunshine等（1990）用Opx和Cpx不同的比例混合，測其混合物的光譜，再用MGM模型模擬和分解該混合光譜吸收波段高斯分布曲線，並與用GM擬合和分解相同混合光譜的結果相比說明MGM能取得較好的效果。