1、计算平均值Avg


　　Avg = (a0 + a1 + ......+ an-1) / n


2、计算sigma


　　sigma = sqrt( ( (a0-avg) ^2   + (a1-avg) ^2 + ..... +(an-1 -avg) ^2 ) / (n-1) )


3、3 sigma = 3* sigma


　  6 sigma = 6 * sigma
												


											
计算sigma的更多相关文章
	

    
								
  1. 【转载】奇异值分解(SVD)计算过程示例
		
    原文链接:奇异值分解(SVD)的计算方法 奇异值分解是线性代数中一种重要的矩阵分解方法,这篇文章通过一个具体的例子来说明如何对一个矩阵A进行奇异值分解. 首先,对于一个m*n的矩阵,如果存在正交矩阵U ...
    
		
    2. 
						
  2. 主成分分析 (PCA) 与其高维度下python实现(简单人脸识别)
		
    Introduction 主成分分析(Principal Components Analysis)是一种对特征进行降维的方法.由于观测指标间存在相关性,将导致信息的重叠与低效,我们倾向于用少量的.尽可 ...
    
		
    3. 
						
  3. deep learning 练习 多变量线性回归
		
    多变量线性回归(Multivariate Linear Regression) 作业来自链接:http://openclassroom.stanford.edu/MainFolder/Document ...
    
		
    4. 
						
  4. 2015苏州大学ACM-ICPC集训队选拔赛（3）题解
		
    第三次校赛链接:快戳我 1001 考虑前半组数,我们只需要标记每个数出现的次数,再加上这个数之前的数出现的次数,即为这个数在m次操作中总共需要翻转的次数(即求前缀和),再根据翻转的奇偶性判断最后这个位 ...
    
		
    5. 
						
  5. 斯坦福CS224n课程作业
		
    斯坦福CS224n作业一 softmax 作业要求如下: 解析:题目要求我们证明\(softmax\)函数具有常数不变性. 解答:对于\(x+c\)的每一维来说,有如下等式成立: \[softmax( ...
    
		
    6. 
						
  6. 主成分分析算法(PCA)
		
    通过数据压缩(降维)可以减少特征数量,可以降低硬盘和内存的存储,加快算法的训练. 还可以把高维的数据压缩成二维或三维,这样方便做数据可视化. 数据压缩是通过相似或者相关度很高的特征来生成新的特征,减少 ...
    
		
    7. 
						
  7. opencv源码学习: getGaussianKernel( 高斯核）；
		
    参考: https://blog.csdn.net/u012633319/article/details/80921023 二维高斯核, 可以根据下面的公式推到为两个一维高斯核的乘积: 原型: /** ...
    
		
    8. 
						
  8. 【Math for ML】矩阵分解(Matrix Decompositions) （下）
		
    [Math for ML]矩阵分解(Matrix Decompositions) (上) I. 奇异值分解(Singular Value Decomposition) 1. 定义 Singular V ...
    
		
    9. 
						
  9. TSNE数据降维学习【转载】
		
    转自:https://blog.csdn.net/u012162613/article/details/45920827 https://www.jianshu.com/p/d6e7083d7d61  ...
    
		
    10. 
		

	


随机推荐
	

    
									
  1. linux 命令cp拷贝
			
    linux复制指定目录下的全部文件到另一个目录中复制指定目录下的全部文件到另一个目录中文件及目录的复制是经常要用到的.linux下进行复制的命令为cp.假设复制源目录 为 dir1 ,目标目录为dir ...
    
			
    2. 
						
  2. UVa 10106 Product 【大数相乘】WA
			
    虽然是错的代码,但是还是想贴出来,最开始WA发现是没有考虑到乘积为0的情况,后来把a*0,0*a,a*0---0(若干个0),0--0(若干个0)*a都考虑进去了:可是还是WA,实在不懂先留在这儿.  ...
    
			
    3. 
						
  3. HDU 1513 Palindrome【LCS】
			
    题意:给出一个字符串s,问至少加入多少个字母让它变成回文串 解题思路:求出该字符串与该字符串翻转后的最长公共子序列的长度,再用该字符串的长度减去最长公共子序列的长度即为所求 反思:因为题目所给的n的范 ...
    
			
    4. 
						
  4. Python更换pip源，更换conda源
			
    更换pip源: 1.在windows文件管理器中,输入 %APPDATA% 2.在该目录下新建pip文件夹,然后到pip文件夹里面去新建个pip.ini文件 3.在新建的pip.ini文件中输入以下内 ...
    
			
    5. 
						
  5. day05-1 执行Python程序的两种方式
			
    目录 执行Python程序的两种方式 第一种:交互式 第二种:命令行式 三个步骤 两种方式的区别 执行Python程序的两种方式 第一种:交互式 在cmd中运行 优点:直接给出结果,执行效率高,及时报 ...
    
			
    6. 
						
  6. windows下Word使用-快捷键
			
    1.word全屏显示——Alt+U+V 2.上标——Ctrl+Shift+= 3.下标——Ctrl+=
    
			
    7. 
						
  7. Vue学习之路第三篇：插值表达式和v-text的区别
			
    上一篇说到插值表达式有一个问题: 页面频繁刷新或者网速加载很慢的时候,页面会先出现“{{ msg }}”,再一闪而过出现真实的数据. 对于这个问题Vue给予了解决办法,看具体事例. <div i ...
    
			
    8. 
						
  8. web前后端安全问题
			
    1. 安全问题主要可以理解为以下两方面: 私密性:资源不被非法窃取和利用,只有在授权情况下才可以使用: 可靠性:资料不会丢失.损坏及篡改: 2. web安全的层面 代码层面:写代码时保证代码是安全的, ...
    
			
    9. 
						
  9. "啃下"插入排序
			
    插入排序法基本原理 插入排序法较冒泡排序法和选择排序法更贴近生活,应该来说理解起来更快.如果你现在能够得到一副麻将,请把里面的“一万”到“六万”拿出来,打乱顺序,再重新排好,就像打麻将开始那样.是否需 ...
    
			
    10. 
						
  10. NOIP2016 DAY1 T1 玩具谜题
			
    题目描述 小南有一套可爱的玩具小人,它们各有不同的职业. 有一天,这些玩具小人把小南的眼镜藏了起来.小南发现玩具小人们围成了一个圈,它们有的面朝圈内,有的面朝圈外.如下图: 这时 singer 告诉小 ...
    
			
    11.