글쎄, 우리 주부들 사이에 그것이 무엇인지 말해줘? 반드시 MARKOV PROCESS에 관한 것은 아니지만 Markov 체인에 대해서만 가능합니다. 체인에 대해서도 가능합니다.
꽤 오랜만인데 어떻게 아름답게 말해야 할지 모르겠다. Markov 체인, 체인 및 이러한 체인이 설명하는 프로세스에 대해서는 Maksimov가 편집한 "Probabilistic Sections of Mathematics" 책, Gnedenko의 "Course of Probability Theory"에서 읽었습니다. 나는 이 방향에서 내가 구루가 되었다고 스스로 말할 수 없다. 오히려 모든 것을 이해하지만 아무 말도 하지 못하는 개가 생각난다. :에 대한)
주부 수준의 스토리 "뭐야" 나도 별로 좋아하지 않는다. 예를 들어 Wikipedia에서 정의를 가져오자(주부에게는 o):
Más chain(CM)은 유한하거나 셀 수 있는 무한한 수의 결과를 갖는 무작위 사건의 시퀀스로, 고정된 현재와 함께 미래는 과거와 무관하다는 특성을 특징으로 합니다. A. A. Markov(선배)의 이름을 따서 명명되었습니다.
모든 것이 올바른 것처럼 보이지만 더 정확한 표현은 다소 다릅니다.
일련의 시행은 사건 A(i)[s+1] i=1,2,…k가 발생할 s+1 시행(s=1,2,3,,,)의 조건부 확률인 경우 CM을 형성합니다. sth 시행에서 발생한 사건에만 의존하고 이전 시행에서 발생한 사건에 대한 추가 정보에서 변경되지 않습니다.
이러한 이유로 이러한 체인으로 설명할 수 있는 프로세스를 메모리가 짧은 프로세스라고 합니다. 시스템 상태의 개념을 기반으로 다른 정의도 소개됩니다.
유리야, 불쌍히 여겨줘. 정의와 결론을 다시 쓰고 싶지 않습니다. CM, 이것은 내 발명이 아니며 내 자신의 말로 이 모든 것을 다시 말할 수 있는 적절한 수준의 무능력에 아직 도달하지 못했습니다. 그러면 마르코프 체인을 인식하지 못할 수 있습니다 :o)
내 이야기와 반대되는 유능한 출처에서 읽을 때 내 "실무"가 유용할 수 있습니다.
(1) 특정 가격 값이나 가격 차이가 아닌 시스템 상태로 채널을 선택 (2) 전환 확률 행렬을 컴파일하기 위해 채널의 일부 특성에 대한 확률을 취했습니다. (3) 매트릭스의 한 단계로 채널 변경을 취했습니다. (4) 나는 우리가 일을 하기 위해 줄을 서는 과정을 실제로 사용할 수 없기 때문에 탄생과 죽음의 과정을 과정으로 '직관적으로 선택'했다.
우리는 고정 시계열의 클래스를 고려할 것입니다. 우리의 임무는 연구 중인 시계열 Y[j ]의 "무작위" 잔차 X[j] 의 동작을 설명하는 데 적합한 모델을 선택하는 것입니다. 이는 원래 시간에서 무작위가 아닌 구성요소(있는 경우)를 제거한 후 얻은 것입니다. 시리즈. 임의 잔차의 동작이 여기에 설명되어 있으므로 시뮬레이션된 시계열을 X[j]로 표시하고 모든 j 에 대해 수학적 기대치가 0과 같다고 가정합니다. 그렇지 않으면 원래 행을 중앙에 맞추는 절차를 수행해야 합니다. Forex 시장의 일반적인 시계열(확률적 추세만 포함)의 경우 일련의 첫 번째 차이를 구성하여 센터링 및 고정 절차를 수행할 수 있습니다. X[j]=Y[j]-Y[jk], 여기서 k - 실험 목적에 따라 1에서 n까지의 값을 취할 수 있습니다.
1차 자기회귀 모델 AR(1)(마르코프 과정).
이 모델은 다음 유형의 자동 회귀 프로세스의 가장 간단한 버전입니다. X[j]=SUM{a[k]*X[jk]}+sigma[j], 여기서 합은 모든 k=1...무한대에 대해 이루어집니다. 첫 번째 계수를 제외한 모든 계수가 0일 때. 따라서 다음과 같은 표현으로 정의할 수 있습니다. X[j]=a*X[j-1]+시그마[j], (1) 여기서 &# 61485 ; 절대값이 1을 초과하지 않는 일부 수치 계수(|a| < 1) 및 sigma[j], 백색 잡음을 형성하는 일련의 무작위 변수. 이 경우 X[j]는 시그마[j]와 모든 이전 시그마에 의존하지만 시그마의 미래 값에는 의존하지 않습니다. 따라서 식 sigma[j]에서 X[j-1]와 X의 이전 값에 의존하지 않는다. 이와 관련하여 sigma[j]를 혁신(update)이라고 한다. 시퀀스 X 만족 관계 (1)은 종종 Markov 프로세스라고도 합니다. 그 의미 1. 프로세스 M 의 기대치는 0과 동일하게 동일합니다. M=0 . 2. k-단계로 분리된 계열의 구성원 간의 자기상관 계수 r 은 r=a^k 와 같습니다.
1차 자기회귀 과정의 주요 특징은 다음과 같다.
계열에 대한 정상 조건 은 계수 a 에 대한 요구 사항에 의해 결정됩니다. |a|<1 Markov 프로세스의 자기상관 함수는 다음 관계에 의해 결정됩니다. r(t)=a^t , 저것들. 의 값은 X[j] 계열의 두 인접 멤버 간의 상관 관계 값 을 결정합니다. 수열 (1)의 구성원들 간의 상관관계의 근접도는 시간이 지남에 따라 서로 멀어질수록 기하급수적으로 감소함을 알 수 있습니다. Markov 프로세스(1)의 스펙트럼 밀도는 알려진 형식의 자기상관 함수를 고려하여 계산할 수 있습니다. p(w)=2sigma0^2/(2+a^2-2a*cos(2Pi*w)) 매개변수 a 가 1에 가까우면 X[j] 계열의 인접한 값이 크기 면에서 서로 가깝고 자기상관 함수는 양수를 유지하면서 기하급수적으로 감소하며 스펙트럼은 저주파에 의해 지배되며, 이는 a X[j] 계열의 피크 사이의 평균 거리가 상당히 큽니다. 매개변수 a 의 값이 -1에 가까우면 급수가 빠르게 진동하고(스펙트럼에서 고주파수가 우세함) 자기상관 함수의 플롯은 부호가 교대로 바뀌면서 기하급수적으로 0으로 떨어집니다.
모델 식별 후, 즉 매개변수 정의(이 경우 a ) 한 단계 앞서 예측을 작성할 수 있습니다. Y[j+1]=Y[j]+a*X[j] .
모든 것.
유라, 이제 부탁이 있습니다. Mathcad에서 그림 1에 표시된 알고리즘을 구현합니다. 아래에 몇 년 동안 EURUSD 분에 대해 TF로부터 받은 FAK를 보여줍니다.
(1) 특정 가격 값이나 가격 차이가 아닌 시스템 상태로 채널을 선택 (2) 전환 확률 행렬을 컴파일하기 위해 채널의 일부 특성에 대한 확률을 취했습니다. (3) 매트릭스의 한 단계로 채널 변경을 취했습니다. (4) 나는 우리가 일을 하기 위해 줄을 서는 과정을 실제로 사용할 수 없기 때문에 탄생과 죽음의 과정을 과정으로 '직관적으로 선택'했다.
글쎄, 응용 프로그램의 결과는 이미 시연했습니다. :에 대한)
grasn, 여기서 2)를 제외하고는 모든 것이 명확합니다. 어쩌면 단순하고 진부한 일이나 노하우가 고려될 수도 있습니다. 포인트 4)에 따르면 (나는 이미 이 질문으로 solandr를 괴롭혔습니다) - "출생과 죽음의 과정"은 포인트 3의 통계적 처리에 따라 결정되었습니까? 아니면 일반적인 이론적 고려 사항에서 결정되었습니까?
Yurixx 16:24 글쎄, 우리 주부들 사이에 그것이 무엇인지 말해줘? 반드시 MARKOV PROCESS에 관한 것은 아니지만 Markov 체인에 대해서만 가능합니다. 체인에 대해서도 가능합니다.
예를 들면 가장 쉽습니다. 가장 간단한 Markov 프로세스는 일반 동전입니다. 동전이 어느 면에서 떨어질지는 이전 상태에 따라 다릅니다. 동전과 같은 과정에는 마르코비안 속성이 있다고 하는데, 즉, 과거를 "기억하지 않는다". 일련의 동전 던지기 마르코프 체인. 더 정확하게는 던진 것 자체가 아니라 확률입니다. 더 복잡한 Markov 프로세스가 있습니다. 다양한 프로세스가 있습니다. 마르코프 프로세스. 이전 상태를 "기억"하는 사람들이 있지만 그들은 "이전 것" 등을 기억하지 못합니다. 글쎄, 일반적으로 말하면 아주 간단합니다. 수학은 다소 혼란스럽고 명확하지 않으며 공식도 방대합니다.
Yurixx 22.01.07 16:24 Ну может между нами, домохозяйками, раскажете мне что это такое ? Необязательно про МАРКОВСКИЙ ПРОЦЕСС, можно просто про марковские цепи. Можно даже про цепочки.
예를 들면 가장 쉽습니다. 가장 간단한 Markov 프로세스는 일반 동전입니다. 동전이 떨어질 면은 이전 상태에 따라 다릅니다. 동전과 같은 과정에는 마르코비안 속성이 있다고 하는데, 즉, 과거를 "기억하지 않는다".
이전 게시물에서 Markov 프로세스의 정의를 기억하는 한(A(i)[s+1]은 A[s]에만 의존함), 동전 던지기는 Markov 프로세스가 될 수 없습니다. 각 던지기는 이전 테스트에 의존하지 않습니다.
우리의 임무는 연구 중인 시계열 Y[j]의 "무작위" 잔차 X[j]의 동작을 설명하는 데 적합한 모델을 선택하는 것입니다. 이는 원래 시간에서 무작위가 아닌 구성요소(있는 경우)를 제거한 후 얻은 것입니다. 시리즈.
Sergey, 나는 당신의 인내를 바랍니다. (내가 뭔가를 놓쳤을 가능성이 매우 높음), 무작위 잔류물을 설명하는 모델이 필요한 이유와 "제거"가 무엇인지 설명하십시오. 그리고 무작위 잔기의 "선택"은 본질적으로 무작위인 것 같습니다. 싸서. :에 대한)
로쉬 에게
포인트 2)를 제외하고 모든 것이 명확합니다. 어쩌면 단순하고 진부한 일이나 노하우가 고려될 수도 있습니다.
여기에서는 모든 것이 매우 간단합니다. 예측을 위해 시스템 상태를 어떻게든 결정할 필요가 있었습니다. 오랫동안 나는 속도, 채널 길이, LR 라인의 경사각과 같은 매우 이해할 수 있는 매개변수를 수정했습니다. 그러나 실험 중에 일부 채널 매개변수가 더 나은 결과를 제공한다는 것을 깨달았습니다.
그리고 다음에서 이러한 특성을 얻었습니다.
포인트 4)에 따르면 (나는 이미 이 질문으로 solandr를 괴롭혔습니다) - "출생과 죽음의 과정"은 포인트 3의 통계적 처리에 따라 결정되었습니까? 아니면 일반적인 이론적 고려 사항에서 결정되었습니까?
알겠습니다. 솔직히 말씀드리겠습니다. 이것이 첫 번째 생각이었습니다. 기록을 가져오고, 채널을 찾고, 통계를 계산합니다. 이 접근 방식은 결국 포기되었습니다. 이미 썼듯이, 나는 내 방법을 진화적 프랙탈 파동 분석이라고 불렀습니다. "진화"를 기반으로 하며 SME의 "채널 아래에서" 재작업되었습니다. 그래서 채널의 몇 가지 특성의 역학을 조사했습니다. 채널은 평소와 달리 내가 결정합니다. 여기 이 게시물 "grasn 01/18/07 16:11"에 판독값 간의 연결 강도를 보여주는 사진이 있습니다. 채널은 현재 카운트에서 이 관계의 가장 낮은 값까지입니다. 그가 약한 카운트를 발견하자마자 이것은 그가 채널의 근원을 찾았다는 것을 의미합니다. 나는 "커서"를 이곳으로 옮기고 North Wind 가 말한 것처럼 프로세스의 품질을 제어하기 시작합니다.
채널 내부의 일부 특성의 역학은 채널의 탄생과 죽음의 과정입니다(적어도 저에게는 그렇습니다).
Rosh 22.01.07 19:33 이전 게시물에서 Markov 프로세스의 정의를 기억하는 한(A(i)[s+1]은 A[s]에만 의존함), 동전 던지기는 Markov 프로세스가 될 수 없습니다. 각 던지기는 이전 테스트에 의존하지 않습니다.
이 점에 대해 더 자세히 논의하고 싶지만 불행히도 지금은 절대적으로 시간 없다. Ms. Wetzel E.S. 그의 교과서에 나오는 같은 것, 동전은 Markov 프로세스이며 거기에 증거가 있습니다. 그건 그렇고, 그녀는 Markov 프로세스 (결과가없는 프로세스)가 있습니다. 매 순간 시간, 미래의 시스템 상태의 확률은 상태에만 의존합니다. 현재 시스템이며 시스템이 어떻게 왔는지에 의존하지 않습니다. 이 상태.
Rosh 22.01.07 19:33 Насколько я помню определение марковского процесса из предыдущего поста (A(i)[s+1] зависит только от A[s]) , подкидывание монетки не может являться марковским процессом, так как вероятность выпадения орла при каждом подбрасывании не зависит ни от одного предыдущего испытания.
이 점에 대해 더 자세히 논의하고 싶지만 불행히도 지금은 절대적으로 시간 없다. Ms. Wetzel E.S. 그의 교과서에 나오는 같은 것, 동전은 Markov 프로세스이며 거기에 증거가 있습니다. 그건 그렇고, 그녀는 Markov 프로세스 (결과가없는 프로세스)가 있습니다. 매 순간 시간, 미래의 시스템 상태의 확률은 상태에만 의존합니다. 현재 시스템이며 시스템이 어떻게 왔는지에 의존하지 않습니다. 이 상태.
예, 여성이 있는 곳에는 항상 혼란이 있습니다. 농담. :o) Maksimov가 편집한 교과서의 간단한 예인지 여부: 플레이어는 파티로 구성된 일종의 게임을 합니다. 다음 게임에서 승리할 확률은 이전 게임에서 이기면 p이고, 이전 게임에서 지면 p1입니다. 상태 E1 - 다음 게임에서 이기고 E2 - 게임에서 졌습니다.
상태 E1 및 E2를 통과하는 것은 전환 확률 행렬로 설명됩니다. |(p)(1-p)| |(p1)(1-p1)|
반드시 MARKOV PROCESS에 관한 것은 아니지만 Markov 체인에 대해서만 가능합니다.
체인에 대해서도 가능합니다.
꽤 오랜만인데 어떻게 아름답게 말해야 할지 모르겠다. Markov 체인, 체인 및 이러한 체인이 설명하는 프로세스에 대해서는 Maksimov가 편집한 "Probabilistic Sections of Mathematics" 책, Gnedenko의 "Course of Probability Theory"에서 읽었습니다. 나는 이 방향에서 내가 구루가 되었다고 스스로 말할 수 없다. 오히려 모든 것을 이해하지만 아무 말도 하지 못하는 개가 생각난다. :에 대한)
주부 수준의 스토리 "뭐야" 나도 별로 좋아하지 않는다. 예를 들어 Wikipedia에서 정의를 가져오자(주부에게는 o):
Más chain(CM)은 유한하거나 셀 수 있는 무한한 수의 결과를 갖는 무작위 사건의 시퀀스로, 고정된 현재와 함께 미래는 과거와 무관하다는 특성을 특징으로 합니다. A. A. Markov(선배)의 이름을 따서 명명되었습니다.
모든 것이 올바른 것처럼 보이지만 더 정확한 표현은 다소 다릅니다.
일련의 시행은 사건 A(i)[s+1] i=1,2,…k가 발생할 s+1 시행(s=1,2,3,,,)의 조건부 확률인 경우 CM을 형성합니다. sth 시행에서 발생한 사건에만 의존하고 이전 시행에서 발생한 사건에 대한 추가 정보에서 변경되지 않습니다.
이러한 이유로 이러한 체인으로 설명할 수 있는 프로세스를 메모리가 짧은 프로세스라고 합니다. 시스템 상태의 개념을 기반으로 다른 정의도 소개됩니다.
유리야, 불쌍히 여겨줘. 정의와 결론을 다시 쓰고 싶지 않습니다. CM, 이것은 내 발명이 아니며 내 자신의 말로 이 모든 것을 다시 말할 수 있는 적절한 수준의 무능력에 아직 도달하지 못했습니다. 그러면 마르코프 체인을 인식하지 못할 수 있습니다 :o)
내 이야기와 반대되는 유능한 출처에서 읽을 때 내 "실무"가 유용할 수 있습니다.
(1) 특정 가격 값이나 가격 차이가 아닌 시스템 상태로 채널을 선택
(2) 전환 확률 행렬을 컴파일하기 위해 채널의 일부 특성에 대한 확률을 취했습니다.
(3) 매트릭스의 한 단계로 채널 변경을 취했습니다.
(4) 나는 우리가 일을 하기 위해 줄을 서는 과정을 실제로 사용할 수 없기 때문에 탄생과 죽음의 과정을 과정으로 '직관적으로 선택'했다.
글쎄, 응용 프로그램의 결과는 이미 시연했습니다. :에 대한)
X[j]=Y[j]-Y[jk], 여기서 k - 실험 목적에 따라 1에서 n까지의 값을 취할 수 있습니다.
1차 자기회귀 모델 AR(1)(마르코프 과정).
이 모델은 다음 유형의 자동 회귀 프로세스의 가장 간단한 버전입니다.
X[j]=SUM{a[k]*X[jk]}+sigma[j], 여기서 합은 모든 k=1...무한대에 대해 이루어집니다.
첫 번째 계수를 제외한 모든 계수가 0일 때. 따라서 다음과 같은 표현으로 정의할 수 있습니다.
X[j]=a*X[j-1]+시그마[j], (1)
여기서 &# 61485 ; 절대값이 1을 초과하지 않는 일부 수치 계수(|a| < 1) 및 sigma[j], 백색 잡음을 형성하는 일련의 무작위 변수. 이 경우 X[j]는 시그마[j]와 모든 이전 시그마에 의존하지만 시그마의 미래 값에는 의존하지 않습니다. 따라서 식 sigma[j]에서 X[j-1]와 X의 이전 값에 의존하지 않는다. 이와 관련하여 sigma[j]를 혁신(update)이라고 한다.
시퀀스 X 만족 관계 (1)은 종종 Markov 프로세스라고도 합니다. 그 의미
1. 프로세스 M 의 기대치는 0과 동일하게 동일합니다. M=0 .
2. k-단계로 분리된 계열의 구성원 간의 자기상관 계수 r 은 r=a^k 와 같습니다.
1차 자기회귀 과정의 주요 특징은 다음과 같다.
계열에 대한 정상 조건 은 계수 a 에 대한 요구 사항에 의해 결정됩니다.
|a|<1
Markov 프로세스의 자기상관 함수는 다음 관계에 의해 결정됩니다.
r(t)=a^t ,
저것들. 의 값은 X[j] 계열의 두 인접 멤버 간의 상관 관계 값 을 결정합니다. 수열 (1)의 구성원들 간의 상관관계의 근접도는 시간이 지남에 따라 서로 멀어질수록 기하급수적으로 감소함을 알 수 있습니다.
Markov 프로세스(1)의 스펙트럼 밀도는 알려진 형식의 자기상관 함수를 고려하여 계산할 수 있습니다.
p(w)=2sigma0^2/(2+a^2-2a*cos(2Pi*w))
매개변수 a 가 1에 가까우면 X[j] 계열의 인접한 값이 크기 면에서 서로 가깝고 자기상관 함수는 양수를 유지하면서 기하급수적으로 감소하며 스펙트럼은 저주파에 의해 지배되며, 이는 a X[j] 계열의 피크 사이의 평균 거리가 상당히 큽니다. 매개변수 a 의 값이 -1에 가까우면 급수가 빠르게 진동하고(스펙트럼에서 고주파수가 우세함) 자기상관 함수의 플롯은 부호가 교대로 바뀌면서 기하급수적으로 0으로 떨어집니다.
모델 식별 후, 즉 매개변수 정의(이 경우 a )
한 단계 앞서 예측을 작성할 수 있습니다.
Y[j+1]=Y[j]+a*X[j] .
모든 것.
유라, 이제 부탁이 있습니다. Mathcad에서 그림 1에 표시된 알고리즘을 구현합니다. 아래에 몇 년 동안 EURUSD 분에 대해 TF로부터 받은 FAK를 보여줍니다.
내 이야기와 반대되는 유능한 출처에서 읽을 때 내 "실무"가 유용할 수 있습니다.
(1) 특정 가격 값이나 가격 차이가 아닌 시스템 상태로 채널을 선택
(2) 전환 확률 행렬을 컴파일하기 위해 채널의 일부 특성에 대한 확률을 취했습니다.
(3) 매트릭스의 한 단계로 채널 변경을 취했습니다.
(4) 나는 우리가 일을 하기 위해 줄을 서는 과정을 실제로 사용할 수 없기 때문에 탄생과 죽음의 과정을 과정으로 '직관적으로 선택'했다.
글쎄, 응용 프로그램의 결과는 이미 시연했습니다. :에 대한)
grasn, 여기서 2)를 제외하고는 모든 것이 명확합니다. 어쩌면 단순하고 진부한 일이나 노하우가 고려될 수도 있습니다.
포인트 4)에 따르면 (나는 이미 이 질문으로 solandr를 괴롭혔습니다) - "출생과 죽음의 과정"은 포인트 3의 통계적 처리에 따라 결정되었습니까? 아니면 일반적인 이론적 고려 사항에서 결정되었습니까?
글쎄, 우리 주부들 사이에 그것이 무엇인지 말해줘?
반드시 MARKOV PROCESS에 관한 것은 아니지만 Markov 체인에 대해서만 가능합니다.
체인에 대해서도 가능합니다.
예를 들면 가장 쉽습니다.
가장 간단한 Markov 프로세스는 일반 동전입니다.
동전이 어느 면에서 떨어질지는 이전 상태에 따라 다릅니다.
동전과 같은 과정에는 마르코비안 속성이 있다고 하는데,
즉, 과거를 "기억하지 않는다". 일련의 동전 던지기
마르코프 체인. 더 정확하게는 던진 것 자체가 아니라 확률입니다.
더 복잡한 Markov 프로세스가 있습니다. 다양한 프로세스가 있습니다.
마르코프 프로세스. 이전 상태를 "기억"하는 사람들이 있지만
그들은 "이전 것" 등을 기억하지 못합니다.
글쎄, 일반적으로 말하면 아주 간단합니다.
수학은 다소 혼란스럽고 명확하지 않으며 공식도 방대합니다.
Ну может между нами, домохозяйками, раскажете мне что это такое ?
Необязательно про МАРКОВСКИЙ ПРОЦЕСС, можно просто про марковские цепи.
Можно даже про цепочки.
예를 들면 가장 쉽습니다.
가장 간단한 Markov 프로세스는 일반 동전입니다.
동전이 떨어질 면은 이전 상태에 따라 다릅니다.
동전과 같은 과정에는 마르코비안 속성이 있다고 하는데,
즉, 과거를 "기억하지 않는다".
이전 게시물에서 Markov 프로세스의 정의를 기억하는 한(A(i)[s+1]은 A[s]에만 의존함), 동전 던지기는 Markov 프로세스가 될 수 없습니다. 각 던지기는 이전 테스트에 의존하지 않습니다.
우리의 임무는 연구 중인 시계열 Y[j]의 "무작위" 잔차 X[j]의 동작을 설명하는 데 적합한 모델을 선택하는 것입니다. 이는 원래 시간에서 무작위가 아닌 구성요소(있는 경우)를 제거한 후 얻은 것입니다. 시리즈.
Sergey, 나는 당신의 인내를 바랍니다. (내가 뭔가를 놓쳤을 가능성이 매우 높음), 무작위 잔류물을 설명하는 모델이 필요한 이유와 "제거"가 무엇인지 설명하십시오. 그리고 무작위 잔기의 "선택"은 본질적으로 무작위인 것 같습니다. 싸서. :에 대한)
로쉬 에게
포인트 2)를 제외하고 모든 것이 명확합니다. 어쩌면 단순하고 진부한 일이나 노하우가 고려될 수도 있습니다.
여기에서는 모든 것이 매우 간단합니다. 예측을 위해 시스템 상태를 어떻게든 결정할 필요가 있었습니다. 오랫동안 나는 속도, 채널 길이, LR 라인의 경사각과 같은 매우 이해할 수 있는 매개변수를 수정했습니다. 그러나 실험 중에 일부 채널 매개변수가 더 나은 결과를 제공한다는 것을 깨달았습니다.
그리고 다음에서 이러한 특성을 얻었습니다.
포인트 4)에 따르면 (나는 이미 이 질문으로 solandr를 괴롭혔습니다) - "출생과 죽음의 과정"은 포인트 3의 통계적 처리에 따라 결정되었습니까? 아니면 일반적인 이론적 고려 사항에서 결정되었습니까?
알겠습니다. 솔직히 말씀드리겠습니다. 이것이 첫 번째 생각이었습니다. 기록을 가져오고, 채널을 찾고, 통계를 계산합니다. 이 접근 방식은 결국 포기되었습니다. 이미 썼듯이, 나는 내 방법을 진화적 프랙탈 파동 분석이라고 불렀습니다. "진화"를 기반으로 하며 SME의 "채널 아래에서" 재작업되었습니다. 그래서 채널의 몇 가지 특성의 역학을 조사했습니다. 채널은 평소와 달리 내가 결정합니다. 여기 이 게시물 "grasn 01/18/07 16:11"에 판독값 간의 연결 강도를 보여주는 사진이 있습니다. 채널은 현재 카운트에서 이 관계의 가장 낮은 값까지입니다. 그가 약한 카운트를 발견하자마자 이것은 그가 채널의 근원을 찾았다는 것을 의미합니다. 나는 "커서"를 이곳으로 옮기고 North Wind 가 말한 것처럼 프로세스의 품질을 제어하기 시작합니다.
채널 내부의 일부 특성의 역학은 채널의 탄생과 죽음의 과정입니다(적어도 저에게는 그렇습니다).
이제 Neutron 'y, grasn ' y 및 North Wind 덕분에 이것이 어떻게 수행되는지 명확하게 보여줍니다.
나는 더 이상 나이에 따른 남학생이 아니어야 하지만 마음을 가르치고자 하는 열망과 Sergey, 내가 확실히 성취할 교훈에 대해 매우 감사합니다.
약속하고 엄숙히 맹세합니다. :-)
이전 게시물에서 Markov 프로세스의 정의를 기억하는 한(A(i)[s+1]은 A[s]에만 의존함), 동전 던지기는 Markov 프로세스가 될 수 없습니다. 각 던지기는 이전 테스트에 의존하지 않습니다.
이 점에 대해 더 자세히 논의하고 싶지만 불행히도 지금은 절대적으로
시간 없다. Ms. Wetzel E.S. 그의 교과서에 나오는
같은 것, 동전은 Markov 프로세스이며 거기에 증거가 있습니다.
그건 그렇고, 그녀는 Markov 프로세스 (결과가없는 프로세스)가 있습니다. 매 순간
시간, 미래의 시스템 상태의 확률은 상태에만 의존합니다.
현재 시스템이며 시스템이 어떻게 왔는지에 의존하지 않습니다.
이 상태.
Насколько я помню определение марковского процесса из предыдущего поста (A(i)[s+1] зависит только от A[s]) , подкидывание монетки не может являться марковским процессом, так как вероятность выпадения орла при каждом подбрасывании не зависит ни от одного предыдущего испытания.
이 점에 대해 더 자세히 논의하고 싶지만 불행히도 지금은 절대적으로
시간 없다. Ms. Wetzel E.S. 그의 교과서에 나오는
같은 것, 동전은 Markov 프로세스이며 거기에 증거가 있습니다.
그건 그렇고, 그녀는 Markov 프로세스 (결과가없는 프로세스)가 있습니다. 매 순간
시간, 미래의 시스템 상태의 확률은 상태에만 의존합니다.
현재 시스템이며 시스템이 어떻게 왔는지에 의존하지 않습니다.
이 상태.
예, 여성이 있는 곳에는 항상 혼란이 있습니다. 농담. :o) Maksimov가 편집한 교과서의 간단한 예인지 여부: 플레이어는 파티로 구성된 일종의 게임을 합니다. 다음 게임에서 승리할 확률은 이전 게임에서 이기면 p이고, 이전 게임에서 지면 p1입니다. 상태 E1 - 다음 게임에서 이기고 E2 - 게임에서 졌습니다.
상태 E1 및 E2를 통과하는 것은 전환 확률 행렬로 설명됩니다.
|(p)(1-p)|
|(p1)(1-p1)|
"남자는 울지 않고 남자는 화를 낸다"(c) :)