1、实验目的及要求 1. 设计一个圆类circle和一个桌子类table，另设计一个圆桌类roundtable，它是从前两个类派生的，要求输出一个圆桌的高度、面积和颜色等数据。（要求所有类的设计用到构造函数） 2. 设计一个学生类，通过该类能够得到学生总成绩（学分*单科分数）。研究生类从学生类派生而来，每个研究生都有导师指导，编写程序，实现对研究生成绩的访问，并且打印出该生的导师名字。（要求所有类的设计用到构造函数）

13.1 极大似然估计的原理 极大似然的估计原理可以由下面的程序得到说明。我们首先生成 10 个服从 正态分布的总体，每个总体的均值都不同，依次为 0，1，2，3，4，5，6，7，8， 9。方差相同，均为 1。然后我们随机地取出一个总体，从中抽出 10 个样本，因 为事先不知道是从哪一个总体中抽出来的，所以我们分别用已知的 10 个总体参 数值代入似然函数，计算出 10 个似然函数值，取其中 大的似然值，认为该样 本是从相应的总体中取出的（从而联合概率密度也 大化）。然后我们让计算机 告诉我们它是从第几个总体中取样的，并与我们的判断进行对比。 *===========================begin================================== capt prog drop mle prog mle /*生成10个均值不同、方差均为1的正态总体，每个总体取８个样本*/ drawnorm double x0-x9,n(8) m(0,1,2,3,4,5,6,7,8,9) clear global i=int(10*uniform()) //设定一个随机数，用于随机取出一个总体 forv j=0/9 { gen lnf`j' =-0.5*ln(2*_pi)*8-sum(0.5*(x$i-`j')^2) //对取出的总体计算似然值 scalar lnf`j'=lnf`j'[_N] //最终的似然值 } scalar list // 比较10个似然值哪个最大，猜想是从第几个总体取出来的？ end mle *根据10个似然值，猜想是从第几个总体取出来的？ di "所抽中的样本为" as error "X"$i //显示真正的取样总体是什么 *===========================end==================================== 在现实中，我们并不知道任何一个真正的总体参数，因此，只能借助于找到 样本似然值（实际上是联合概率密度的对数值） 大的总体参数，即认为其是总 体参数。在 STATA 中实现 大似然法的估计必须自己编写程序。下面的例子说 明了如何利用 stata 编写程序来实现对模型的极大似然估计。 13.2 正态总体均值和方差的极大似然估计 *===========================begin================================== capt prog drop bb prog bb //定义程序的名称 args lnf u v //声明参数,u 为均值，v为方差 quietly replace `lnf' = -0.5*ln(2*_pi) - ln(`v') -0.5*($ML_y1-`u')^2/(`v')^2 end drawnorm x,n(100) m(10) sd(3) clear//模拟均值为10，方差为3的100个正态样本 ml model lf bb (x=) (variance:) //利用迭代法则进行极大似然估计

13.5 区间估计原理 区间估计与点估计不同，它寻求一个区间，该区间以一定的概率保证真正的总 体参数值包含在其中，当然，对于一个特定的样本，它可能包含参数真值，也可 能不包含。 *============================begin================================= capt prog drop bb prog bb drawnorm x,n(100) m(5) sds(10) d clear /*生成一个均值u=5,标准差o=10的正态随机变量样本，样本容量为100*/ quietly sum x end ***将上述抽样试验进行100次，得到100个样本均值mean和标准差sd simulate mean=r(mean) sd=r(sd), reps (100) nodots: bb g n=_n *在已知总体方差前提下（总体标准差为10），求100个子样本95%的置信区间 g zlow=mean-invnorm(0.975)*10/sqrt(100) g zhigh=mean+invnorm(0.975)*10/sqrt(100) *在总体方差未知的前提下，用样本标准差sd替代，需要借助t统计量 g tlow=mean-invttail(99,0.025)*sd/sqrt(100) g thigh=mean+invttail(99,0.025)*sd/sqrt(100) *考察总体均值是否在子样本的95%置信区间内，如不在则标记为1，否则为零 g zsign=(zlow<5& zhigh>5)

14.3 线性模型的最大似然估计 ),(~ ),0(~ 2 1010 2 σββββ σ xNexy Ne +++= 由上式可知，对于线性模型而言，当 e 服从均值为零的正态分布时，y 服从均值为

1.采用VS2017开发，其它VS也可以使用 2.封装为类，方便转移到现有工程 3.可以在X7，X8中使用，其它环境问题也不大，需要测试。

18.3 非线性回归分析 前面的模型设定中假设总体回归函数是线性的，实际上，在大班中减少一名学生对成绩造 成的影响可能非常不同于对小班造成的影响（如班级规模过大，使得老师除了控制班级秩序外 几乎不能什么），如果是这样的话，总体回归线与生师比变量之间就是不是简单的线性关系，而 是关于生师比的非线性函数。我们还可能想到，降低哪些英语学习者百分比高地区的生师比， 仍在学习英语的孩子更可能受益于较多的一对一的关注，因此生师比对成绩的影响依赖于第三 个因素，即英语学习者的非分比。*/ *非线性回归分析

12.7 多元正态分布 *============================begin================================ clear drawnorm x y, n(1000) g z=exp(0.5*(-x^2-y^2)) scat3 x y z //在运行 sct3 之前需要先下载该命令，search scat3,net scat3 x y z, msymbol(point) mcolor(gold) shadow(msize(0)) *============================end================================= clear drawnorm x y, n(10000) g z=exp(0.5*(-x^2-y^2)) g y1=-x+invnormal(uniform()) g z1=exp(0.5*(-x^2-y1^2)) scat3 x y z, mcolor(gold) shadow(msize(0)) saving(1,replace) scat3 x y1 z1, mcolor(gold) shadow(msize(0))saving(2,replace) graph combine 1.gph 2.gph 0 .1 .2 .3 .4 y -4 -2 0 2 4 x y y y

C# 图标控件mschart使用详细说明书+详细例子 。

系统辨识级模型阶次辨识 有精彩的课件和详细的例子讲解参考

用宏写的对于员工的打卡时间，统计出是否早退和迟到，这里关联的表格包括‘员工考勤表’、‘班次表’、‘排班表’和多个部门表。还有个用函数做的根据考勤表出勤情况汇总出相应的扣款表。宏内附带相应的中文注释，方便大家阅读。 友情提示：下载后记得评价和评分，此网站会将你花费的资源分+1还给你