总结 5.12

今天学了计算机组成原理,把浮点数和ieee754标准搞明白了一些,首先一般的浮点数形式是左边是阶码,右边是数,然后第一位都是符号位,而754不同的点在于引进符号位,然后取消了阶码和数内部的符号,阶码用移码来表示,移码的计算方式是真值加上一个偏移值,对32位浮点数来说是127.

然后学了数学,首先是学了常数项级数的敛散性的判断,了解了判断敛散性的五种方法,分别是比较判别和比较判别的极限形式,这种方法使用普遍但比较难用,然后是比值和根值判别,一般用在出现a的n次方,n的阶乘之类上面,这种适用范围窄但使用简单。然后学习了交错级数,使用莱布尼茨判断,要求是un具有单调递减并且极限为零。然后是绝对收敛和条件收敛,当绝对收敛时一定条件收敛,然后条件收敛的所有正项或负项级数相加起来一定发散。这一章的例题主要是判断是否发散,还有一些判断哪个是对的题目,这种最好直接法。

相关推荐
OzupeSir1 天前
三门两羊问题 - 蒙提霍尔问题
python·概率论
the sun341 天前
概率论:期望、方差、协方差及相关系数
概率论
NashSKY4 天前
EM 算法完整推导与本质剖析
算法·机器学习·概率论
AI科技星6 天前
数理原本·卷零:信息本源与震动论
人工智能·线性代数·架构·概率论·学习方法·量子计算
初心未改HD8 天前
机器学习之朴素贝叶斯分类器详解
人工智能·机器学习·概率论
the sun3410 天前
概率论:二维随机变量、随机变量组合函数的分布求解
概率论
初心未改HD12 天前
AI应用开发之概率论与贝叶斯定理
人工智能·概率论
做cv的小昊16 天前
【TJU】研究生应用统计学课程笔记(8)——第四章 线性模型(4.1 一元线性回归分析)
笔记·线性代数·算法·数学建模·回归·线性回归·概率论
做cv的小昊19 天前
【TJU】研究生应用统计学课程笔记(6)——第二章 参数估计(2.4 区间估计)
人工智能·笔记·线性代数·算法·机器学习·数学建模·概率论