c45演算法離散值例題

『壹』 協方差怎麼計算，請舉例說明

cov(x,y)=EXY－EX*EY

協方差的定義，EX為隨機變數X的數學期望，同理，EXY是XY的數學期望，挺麻煩的，建議你看一下概率論cov(x,y)=EXY－EX*EY

舉例：

Xi 1.1 1.9 3
Yi 5.0 10.4 14.6
E(X) = (1.1+1.9+3)/3=2
E(Y) = (5.0+10.4+14.6)/3=10
E(XY)=(1.1×5.0+1.9×10.4+3×14.6)/3=23.02

Cov(X,Y)=E(XY)-E(X)E(Y)=23.02-2×10=3.02

此外：還可以計算：D(X)=E(X^2)-E^2(X)=(1.1^2+1.9^2+3^2)/3 - 4=4.60-4=0.6 σx=0.77
D(Y)=E(Y^2)-E^2(Y)=(5^2+10.4^2+14.6^2)/3-100=15.44 σy=3.93
X,Y的相關系數：
r(X,Y)=Cov(X,Y)/(σxσy)=3.02/(0.77×3.93) = 0.9979

表明這組數據X,Y之間相關性很好。

從直觀上來看，協方差表示的是兩個變數總體誤差的期望。

如果兩個變數的變化趨勢一致，也就是說如果其中一個大於自身的期望值時另外一個也大於自身的期望值，那麼兩個變數之間的協方差就是正值；如果兩個變數的變化趨勢相反，即其中一個變數大於自身的期望值時另外一個卻小於自身的期望值，那麼兩個變數之間的協方差就是負值。

如果X與Y是統計獨立的，那麼二者之間的協方差就是0，因為兩個獨立的隨機變數滿足E[XY]=E[X]E[Y]。

但是，反過來並不成立。即如果X與Y的協方差為0，二者並不一定是統計獨立的。

協方差Cov(X,Y)的度量單位是X的協方差乘以Y的協方差。而取決於協方差的相關性，是一個衡量線性獨立的無量綱的數。

協方差為0的兩個隨機變數稱為是不相關的。

『貳』 請列一下插值法的計算公式，並舉個例子。

舉個例子。

2008年1月1日甲公司購入乙公司當日發行的面值600 000元、期限3年、票面利率8%、每年年末付息且到期還本的債券作為可供出售金融資產核算，實際支付的購買價款為620 000元。

則甲公司2008年12月31日因該可供出售金融資產應確認的投資收益是（）元。（已知PVA（7%，3）＝2.2463，PVA（6%，3）＝2.673，PV（7%，3）＝0.8163，PV（6%,3）＝0.8396）

題目未給出實際利率，需要先計算出實際利率。600 000×PV（r，3）＋600 000×8%×PVA（r，3）＝620 000，採用內插法計算，得出r＝6.35%。甲公司2008年12月31日因該可供出售金融資產應確認的投資收益＝620 000×6.35%＝39 370（元）。

插值法計算過程如下：

已知PVA（7%，3）＝2.2463，PVA（6%，3）＝2.673，PV（7%，3）＝0.8163，PV（6%,3）＝0.8396）

600 000×PV（r，3）＋600 000×8%×PVA（r，3）＝620 000

R=6%時

600000*0.8396+600000*8%*2.673=503760+128304=632064

R=7%時

600000*0.8163+600000*8%*2.2463=489780+107823=597603

6% 632064

r 620000

7% 597603

（6%-7%）/（6%-R）=（632064-597603）/（632064-620000）

解得R=6.35%

注意上面的式子的數字順序可以變的，但一定要對應。如可以為

（R-7%)/(7%-6%)=(620000-597603)/(597603-632064)也是可以的，當然還有其他的順序。"

(2)c45演算法離散值例題擴展閱讀:

若函數f(x)在自變數x一些離散值所對應的函數值為已知，則可以作一個適當的特定函數p(x)，使得p(x)在這些離散值所取的函數值，就是f(x)的已知值。從而可以用p(x)來估計f(x)在這些離散值之間的自變數所對應的函數值，這種方法稱為插值法。

如果只需要求出某一個x所對應的函數值，可以用「圖解內插」。它利用實驗數據提供要畫的簡單曲線的形狀，然後調整它，使得盡量靠近這些點。

如果還要求出因變數p(x)的表達式，這就要用「表格內插」。通常把近似函數p(x)取為多項式(p(x)稱為插值多項式)，最簡單的是取p(x)為一次式，即線性插值法。

在表格內插時，使用差分法或待定系數法(此時可以利用拉格朗日公式)。在數學、天文學中，插值法都有廣泛的應用。