分布式存储与计算是人工智能吗？

一、分布式存储与计算是人工智能吗？

分布式存储需要很强的可控性操作，才能把不同数据自动化储存在不同格式里面。计算则需要更好的自动化模式，所以分布式存储与计算是人工智能

二、人工智能产业分布规律？

《2021人工智能发展白皮书》数据显示，2020年，我国人工智能核心产业规模达3251亿元，相关企业数量达6425家。从企业数量看，京津冀、长三角、珠三角地区企业数量占全国80%以上，北京、上海、深圳、杭州是人工智能产业发展重点城市。据不完全统计，四个城市人工智能相关企业数量超4800家，占全国企业数量约75%。其中企业数量最多为北京，其次是深圳、上海、杭州。

人工智能上中下游分为基础层、技术层、应用层。基础层包括数据资源、软件资源、计算机平台；技术层涉及机器学习、知识图谱、生物识别、计算机视觉、语音处理等；应用层包括产品服务、行业应用。

基础层方面，北京、上海、深圳、杭州企业数量占比均在22%左右；技术层方面，北京企业数量占比最高，达到28.05%；应用层方面，上海企业数量占比略高于其他城市，占比达到62.04%。

三、分布函数计算？

求分布函数公式：F（x）=P（X≤x）。分布函数（英文CumulativeDistributionFunction，简称CDF），是概率统计中重要的函数，正是通过它，可用数学分析的方法来研究随机变量。

函数（function）的定义通常分为传统定义和近代定义，函数的两个定义本质是相同的，只是叙述概念的出发点不同，传统定义是从运动变化的观点出发，而近代定义是从集合、映射的观点出发。函数的近代定义是给定一个数集A，假设其中的元素为x，对A中的元素x施加对应法则f，记作f（x），得到另一数集B，假设B中的元素为y，则y与x之间的等量关系可以用y=f（x）表示，函数概念含有三个要素：定义域A、值域B和对应法则f。

四、分布荷载怎么计算？

1.面分布荷载集度计算，是把荷载分布到一个平面上，单位是kN/m2 。

2.线分布荷载集度计算，是把荷载分布到一条直线上，单位是kN/m 。

五、伽马分布计算？

伽玛分布的期望和方差分别是:a/λ,a/λ~2或者αβ,αβ~2（其中λ=β的倒数）

伽玛方程表达式:Γ(x)=∫e^(-t)*t^(x-1)dt (积分的下限式0,上限式+∞)

利用分部积分法(integration by parts)我们可以得到

Γ(x)=（x-1)*Γ(x-1)

在概率的研究中有一个重要的分布叫做伽玛分布：

f(x)=λe^(-λx)(λx)^(x-1)/Γ(x) x>=0

=0 x<0

六、分布列怎么计算？

首先要确定随机变量ζ的所有可能的取值，然后计算ζ取得的每一个值的概率；

可用所有的概率相加等于1来检验计算是否正确；

再进行列表，画出分布列的表格；

最后在根据题目的要求，求数学期望或者其他问题。

至于求取每一个概率值的方法，可根据不同类型的题目来求取；较简单的是古典概型；还有二项分布的分布列，超几何分布的分布列，可用公式来求；再有就是一些比较特殊的分布列，根据题意来分析

七、如何计算概率分布？

只要有两件或者超过两件事情同时失败，概率就一定小于6%

那么只要求一件事失败并且概率在6%以上，或者都成功的概率就可以了。

都成功概率，0.95X0.94X0.92=0.82156

只有一件失败，那么只有A失败是不行的。

如果B失败，0.06X0.95X0.92=0.05244<0.6 不行

如果只有C失败，0.08X0.95X0.94=0.07144>0.6 可以。

那么0.82156+0.07144=0.893

那么当同时做A\B\C三件事时，失败率在6%以内的概率是：1-0.893=0.107=10.7%

八、筹码分布计算原理？

筹码分布的计算是动态的，其原理是将不同价位投资者所持有的股票，通过横向分布的形式反映出来，只要股价有变动和成交，则筹码分布图的形态亦会发生变化。

举例来说，如果一只股票12.00元至13.00元区间的持仓筹码所占比例是10%，随着股价的抬升，12.00元至13.00元区间的持仓筹码在15.00元至16.00元区间卖出，则这10%的筹码便进行了转移，相应而言，12.00元至13.00元区间的筹码分布比例少了10%，而15.00元至16.00元区间的筹码分布比例则多出10%。这个状态将直接反映在筹码分布不同价位区间的峰值或面积上。

九、f分布计算技巧？

T，卡方，F，（正态不是三大）

T是厚尾的，对小样本量做检验，对于样本难获得的领域很有用，比如医药，生物，前面写过一个关于T检验的记录。

卡方检验用来做独立性检验和符合某个标准分布（正态检验）

n个相互独立的随机变量服从正态分布，他们的平方和构成一个新的随机变量，服从卡方分布，n为自由度。

检查实际结果与期望结果之间何时存在显著差异。

1、检验拟合优度：也就是说可以检验一组给定数据与指定分布的吻合程度。如：用它检验抽奖机收益的观察频数与我们所期望的吻合程度。     

2、检验两个变量的独立性：通过这个方法检查变量之间是否存在某种关系。

F分布用来做方差分析，具体见前面的博文

但是重点是要说这篇博文的精妙之处。

有三个不同学校的学生英语考试成绩不同，原因是什么？为什么不用T检验

如果使用T检验，需要3次，如果研究10个学校，需要45个，组合次数多，降低可靠程度，如果我们做两次检验，每次都为0.05的显著性水平，那么不犯Ⅰ型错误的概率就变为0.95×0.95＝0.90。此时犯Ⅰ型错误的概率则为1-0.90＝0.10，即至少犯一次Ⅰ型错误的概率翻了一倍。若做10次检验的话，至少犯一次Ⅰ型错误的概率将上升到0.40（1-0.952），而10次检验结论中都正确的概率只有60%。所以说采用Z检验或t检验随着均数个数的增加，其组合次数增多，从而降低了统计推论可靠性的概率，增大了犯错误的概率。

完全随机设计是采用完全随机化的分组方法，将全部实验对象分配到g个处理组（水平组），各组分别接受不同的处理，试验结束后比较各组均数之间的差别有无统计学意义。

【例子】

某医生为研究一种四类降糖新药的疗效，以统一的纳入标准和排除标准选择了60名2型糖尿病患者，按完全随机设计方案将患者分为三组进行双盲临床试验。其中，降糖新药高剂量组21人、低剂量组19人、对照组20人。对照组服用公认的降糖药物，治疗4周后测得其餐后2小时血糖的下降值(mmol/L)，结果如表9-1所示。问治疗4周后，餐后2小时血糖下降值的三组总体平均水平是否不同？

方差分析的基本思想：总变异分解为多个部分，每个部分由某因素的作用来解释，通过将某因素所致的变异与随机误差比较，从而推断该因素对测定结果有无影响。变异程度除与离均差平方和的大小有关外，还与自由度有关，将各部分离均差平方和除以自由度，比值称为均方差MS。

如果各组样本来自相同总体，无处理因素的作用，则组间变异同组内变异一样，只反应随机误差作用的大小。

组间均方与组内均方的比值称为F统计量：

F值接近于1，就没有理由拒绝H0（来自相同总体），反之，F值越大，拒绝H0的理由越充分。当H0成立时，F统计量服从F分布，自由度v1和v2，Fv1,v2

v1=组间自由度 = g-1 = 3-1 v2=组内自由度=N-g= 60-3 = 57，查F分布表得到P<0.01，按α=0.05水准，拒绝H0，接受H1有统计学意义，可认为2型糖尿病患者治疗4周，其餐后2小时血糖的总体平均水平不全相同。

方差分析的结果若拒绝H0，接受H1，不能说明各组总体均数两两间都有差别。如果要分析哪些两组间有差别，要进行多个均数间的多重比较（卡方检验）。当g =2时，方差分析的结果与两样本均数比较的t 检验等价 t=sqrt(F)。

十、表观分布容积计算？

表观分布容积，是指静脉注射一定量的药物后，按照测得的血浆浓度，计算该药物占有的血浆浓度。表面分布容积Vd，注射药物量A，测得血浆浓度C，表观分布容积计算公式:vd=A/C。

Vd值越大表示该药物在体内的分布越广。可以根据vd的大小，从血浆浓度推算出机体内的药物总量，或者求算出要达到血浆有效浓度所需要的药物剂量。

表面分布容积，等于药物在体内的总量与血药物浓度之比。