아니요, 작업은 변경되지 않았습니다. 분할할 수 없는 원자적 작업일 뿐입니다. 그리고 전체 그림을 얻으려면 Lag 변수로도 스캔해야 합니다.
몇 달 전에 얻은 결과에서 발췌한 내용을 게시할 수 있습니다(하지만 텍스트 형식으로 되어 있음). 토픽 스타터에서와 같이 상호 정보가 아니라 매트릭스의 빈도가 있습니다. "변수의 독립성에 대한 카이 제곱 검정"통계 계산 결과도 거기에 나와 있습니다. 다른 기준으로). 그럼에도 불구하고 이러한 수치는 전혀 지루하지 않습니다.
나는 그것을 내일(글쎄요, 그것은 오늘, 그러나 나중에) 게시할 것입니다. 왜냐하면 계산이 수행된 컴퓨터에 액세스할 수 없습니다.
추신 "보편 회귀 등"으로. 그것은 아무 관련이 없습니다: (18) - 이것은 가격에 대한 조잡한 기계론적 접근이지만 여기서는 근본적으로 통계적입니다.
아니요, 작업은 변경되지 않았습니다. 분할할 수 없는 원자적 작업일 뿐입니다. 그리고 전체 그림을 얻으려면 Lag 변수로도 스캔해야 합니다.
몇 달 전에 얻은 결과에서 발췌한 내용을 게시할 수 있습니다(하지만 텍스트 형식으로 되어 있음). 토픽 스타터에서와 같이 상호 정보가 아니라 매트릭스의 빈도가 있습니다. "변수의 독립성에 대한 카이 제곱 검정"통계 계산 결과도 거기에 나와 있습니다. 다른 기준으로). 그럼에도 불구하고 이러한 수치는 전혀 지루하지 않습니다.
나는 그것을 내일(글쎄요, 그것은 오늘, 그러나 나중에) 게시할 것입니다. 왜냐하면 계산이 수행된 컴퓨터에 액세스할 수 없습니다.
추신 "보편 회귀 등"으로. 그것은 아무 관련이 없습니다: (18) - 이것은 가격에 대한 조잡한 기계론적 접근이지만 여기서는 근본적으로 통계적입니다.
(18) ATC 모드에서는 비록 좋지는 않지만 결과를 제공하지만 스톱과 TP를 사용하지 않고 미묘한 통계적 접근 방식을 이 수준으로 가져오면 우리가 비교할 것입니다.
2009년 11월 25일부터 2011년 9월 2일까지 골드, H4, 로트 0.1, 최대. 드로다운 10.32%, MO 27.6
1. "우리가 취하는 것을 정확하게 결정": 먼저 - 작업 셀, 그 다음에는 이미 나눌 수 없습니다.
정수 Lag를 수정합니다. 이것은 "막대 사이의 거리", 즉 MT4에서 주어진 시간 프레임에 대한 인덱스 간의 차이 모듈입니다.
목적: 1) 인덱스 sh가 있는 "선행" 막대 반환 및 2) 인덱스 sh+Lag가 있는 "팔로잉" 막대 반환의 두 임의 변수 사이에 통계적 관계가 있는지 확인합니다.
이것이 우리가 취하는 것입니다: Lag와 같은 거리를 가진 막대의 모든 쌍. 매우 정확합니다.
어디에서 무엇을 의심해야합니까? 먼저 첫 번째 요점을 처리합시다. 두 번째로 넘어 갑시다.
이것은 거의 ACF이지만 공식이 다릅니다. ACF는 통계의 필수적인 부분입니다. 모든 종류의 중독을 찾는 데 좋습니다. 이것은 ARIMA의 출현 이후 이론과 실제 모두에서 매우 광범위하게 사용되었습니다.모든 새로운 것은 잘 알려져 있고 잘 정립된 유사한 것들과의 유사점과 차이점을 나타내는 것으로 시작해야 합니다. 이것이 완료되지 않으면 런던의 가장 더러운 집에서 그 아이디어는 논의 대상이 아닙니다. 그것이 내가 전체 스레드에 대해 말하는 것입니다. 항상 문헌 검토로 시작해야 합니다. obvor가 없습니다 - 귀하의 게시물 인용문에는 시장이 없습니다.
더 나아가. 나는 sh를보고 ACF가 임의의 장소가 아닌 sh = 1에서 계산된다는 것을 이해합니다. 그러나 CHAKF가 있습니다. 귀하의 제안이 이 제안과 어떻게 비슷하거나 다른가요? TI의 말로 본질(VR의 종속성)을 가리지 마십시오.
faa1947 : ACF에 가깝지만 공식이 다릅니다. ACF는 통계의 필수적인 부분입니다. 모든 종류의 중독을 찾는 데 좋습니다.
ACF일 필요는 전혀 없습니다. 그리고 당신은 ACF가 매우 다른 종류의 의존성을 찾고 있다는 것을 크게 잘못 알고 있습니다. 상관 관계 를 참조하십시오. 사진이 있는 기사 말미 에 상관관계 분석의 한계가 있다 . 그래서 AKF를 포기했습니다. Pearson의 상관 관계에 의해 감지된 막대 간의 선형 관계는 너무 약하고 수명이 짧습니다.
항상 문헌 검토로 시작해야 합니다. obvor가 없습니다 - 귀하의 게시물 인용문에는 시장이 없습니다.
우리는 오랫동안 움직이지 않을 것입니다. 그러나 일반적으로 나는 당신에게 동의합니다. 어떤 종류의 논증이 여전히 필요합니다. 선형 종속성에 관한 이전 단락의 마지막 문장이 마음에 들지 않는다면 생각해 보겠습니다.
TI의 말로 본질(VR의 종속성)을 가리지 마십시오.
저것들. 내가 TI를 사용하여 종속성을 검색하는 것을 금지하기로 결정했습니까?
2 yosuf: 나는 당신과 경쟁하지 않을 것입니다. 인듀서를 계속 개선하되 이 스레드에 들어가지 마십시오. 여기서는 주제를 벗어났습니다.
나는 동일한 pediwiki에서 상호 정보를 계산하는 공식이 다음과 같을 수 있다는 사실에 주의를 기울입니다.
상호 정보(X와 Y 사이) = 엔트로피(X) - 조건부 엔트로피(X와 Y 사이)
이것은 미국 출처에서 끔찍해 보이는 공식을 작성하지 않고 정의를 통과하는 경우입니다.
여기서 X와 Y는 두 개의 서로 다른 시스템이며 X와 Y에 대한 종속성이 있습니다.
완전한 상호 정보를 원하면 주제 시작과 같습니다.
완전한 상호 정보(X와 Y 사이) = 엔트로피(X) + 엔트로피(Y) - 결합 시스템의 엔트로피(X와 Y)
"조건부 엔트로피"가 아니라 "결합 시스템의 엔트로피"로 표기된 이유는 실제로 두 시스템 시스템의 총 엔트로피가 독립적이거나 조건부일 수 있기 때문입니다. X와 Y가 서로 연결되어 있지 않고 독립적이지 않으면 결합 확률(엔트로피 덧셈 정리)로 간주해야 하고 연결이 있으면 조건부로 간주해야 합니다.
이제 우리의 관심사에 대해. 이 전체 카누가 어떻게 시장에 적용될 수 있습니까? 다음 모델을 가정해 보겠습니다. 시스템 X - 시장(알파벳)이 있으며, 특정 빈도(기호 확률)로 나타나는 유한하고 특정 수의 상태(기호)가 있습니다. 두 번째 시스템 Y가 있습니다 - 따옴표를 기록합니다. 따옴표(알파벳)도 특정 빈도로 제한된 문자 집합을 갖습니다. 이 모든 것에서 무엇을 배울 수 있습니까?
1. 시장의 알파벳을 알아야 합니다. 그곳에서 끊임없이 무언가가 일어나고, 사고 팔고, 누군가가 파산하고, 누군가가 새로운 돈을 가지고 오고, 일종의 집단 히스테리가 발생합니다. 저것들. 알파벳은 매우 광범위하고 그것을 그렇게 간단하게 설명하는 것이 가능할 것 같지 않습니다.
2. 시장의 알파벳을 기술할 수 있다고 해도 시장에서 일어나는 과정의 정체에 대한 의문이 생긴다. TI는 속성의 불변성에 절대적으로 초점을 맞추고 있음을 이해해야 합니다.
3. 두 번째 시스템의 알파벳, 따옴표. 시장의 알파벳과 다릅니다. 그는 아마 이미입니다. 그리고 어느 쪽인지 알아야 합니다. 단순히 시간 프레임의 따옴표 변경 범위를 분위수로 나누고 알파벳을 만들면 무엇을 얻을 수 있습니까? 더 정확하게는 그렇지 않습니다. 우리는 시장 알파벳의 정보를 인용 알파벳으로 완전히 또는 부분적으로 표시합니까? 정보의 어떤 부분이 손실됩니까? 또는 아무 것도 잃지 않고 시장 알파벳이 단순히 중복됩니다. 등.
이것은 거의 또는 전혀 AKF가 아닙니다. 그리고 당신은 ACF가 다양한 종류의 의존성을 찾고 있다고 착각하고 있습니다. 상관 관계 를 참조하십시오. 사진이 있는 기사 말미 에 상관관계 분석의 한계가 있다 . 그래서 AKF를 포기했습니다. Pearson의 상관 관계에 의해 감지된 막대 사이의 선형 관계는 관심이 없습니다. 그들은 너무 약하고 수명이 짧습니다.
상관관계의 정교함은 그것의 강한 면이지만, 동시에 당신은 상관관계에 대해 알려진 한계를 약한 면에 귀속시켰습니다. 그러나 "ACF"라고 하는 값, 이 값에 대한 신뢰도, 이 신뢰도를 계산하는 조건에 대해 의미 있게 추론하고 일반적으로 다음에 따라 이러한 값에 대한 추론의 허용 가능성을 평가할 수 있는 것은 바로 이러한 제한 사항입니다. 상관 제약 조건의 충족. 악기로 무장하고 모든 것을 마스터하더라도 실제로는 심각한 어려움이 있으며 끊임없이 음행에 빠지게됩니다.
주제의 주제에 대해 같은 것을 쓰십시오.
ACF는 매우 구체적인 방식으로 추세를 보여주며 CHAF와 함께 주기를 찾습니다. 그리고 "정보 중독"이 찾고있는 것은 어떤 종류의 동물이며 따옴표로 어떻게 나타납니까? 아니면 증분으로? 트렌드와 사이클의 형성에 대한 설명을 찾을 수있는 시장 심리학에 대한 많은 출판물이 있으며 출판물이 작성된 "정보 중독"의 심리적 근거는 무엇입니까? 그리고 그것은 인용문에 영향을 줍니까? 어떤 근거로 받은 사진을 믿을 수 있습니까? 결과에 대한 확신의 가능성은 어디에 있습니까? 이 모든 것을 적용할 수 있는 조건은 어디에 있습니까? 몇 가지 질문입니다. 이 주제는 종속성 주제도 다루었던 즐거운 hfenks(제 기억이 맞다면)와 함께 주제를 점점 더 상기시켜줍니다.
논문의 관점에서 보면 예비적일 뿐 과학적 새로움의 징후가 있지만 상관관계에 비하면 이 모든 것이 공허한 잡담입니다(실례합니다).
동일한 pedwiki에서 상호 정보를 계산하는 공식이 다음과 같을 수 있음을 지적하고 있습니다. [...]
"조건부 엔트로피"가 아니라 "결합 시스템의 엔트로피"로 표기된 이유는 실제로 두 시스템 시스템의 총 엔트로피가 독립적이거나 조건부일 수 있기 때문입니다. X와 Y가 서로 연결되어 있지 않고 독립적이지 않으면 결합 확률(엔트로피 덧셈 정리)로 간주해야 하고 연결이 있으면 조건부로 간주해야 합니다.
지적해주실 거라 생각했습니다. 다행스럽게도 엔트로피가 아닌 확률로 작성된 공식은 무엇에 의존하는지 여부에 관계없이 동일하게 유지됩니다. 따라서 이러한 인수는 새로운 것을 추가하지 않습니다.
시스템 X - 시장(알파벳)이 있으며, 특정 빈도(기호 확률)로 나타나는 유한하고 특정 수의 상태(기호)가 있습니다. 두 번째 시스템 Y가 있습니다 - 따옴표를 기록합니다. 따옴표(알파벳)도 특정 빈도로 제한된 문자 집합을 갖습니다. 이 모든 것에서 무엇을 배울 수 있습니까?
나는 이것이 더 이상 topikstarter에서 고려한 시스템이 아니라는 사실에 주의를 기울입니다. 나는 당신이 시장의 알파벳을 배울 수 있다고 진지하게 말할만큼 순진하지 않습니다. 그리고 현실적인 목표를 설정하려고 노력합니다.
faa1947 : 강점이지만 동시에 당신은 상관관계에 대해 알려진 한계를 약한 쪽에 귀속시켰습니다. 그러나 "ACF"라고 하는 값, 이 값에 대한 신뢰도, 이 신뢰도를 계산하는 조건에 대해 의미 있게 추론하고 일반적으로 다음에 따라 이러한 값에 대한 추론의 허용 가능성을 평가할 수 있는 것은 바로 이러한 제한 사항입니다. 상관 제약 조건의 충족.
확실히 맞아. terver/matstat의 절반은 특히 정규 분포와 관련된 중심 극한 정리와 그 결과에 대해 설명합니다. 이것은 아름답게 "해결된" 배포판입니다. 그럼에도 불구하고 극한 내에서도 이를 따르지 않는 랜덤 변수가 존재한다. Pearson의 상관관계가 매우 잘 이루어졌다는 이유만으로 왜 특별히 Pearson의 상관관계를 다루어야 합니까?
ACF는 매우 구체적인 방식으로 추세를 보여주며 CHAF와 함께 주기를 찾습니다.
데이터 마이닝 단계의 주기나 추세는 아직 관심 대상이 아닙니다. 관심 있는 것은 원칙적으로 ACF에 의해 감지되지 않는 종속성입니다.
그리고 "정보 중독"이 찾고있는 것은 어떤 종류의 동물이며 따옴표로 어떻게 나타납니까? 아니면 증분으로? 트렌드와 사이클의 형성에 대한 설명을 찾을 수있는 시장 심리학에 대한 많은 출판물이 있으며 출판물이 작성된 "정보 중독"의 심리적 근거는 무엇입니까? 그리고 따옴표에 영향을 줍니까? 어떤 근거로 받은 사진을 믿을 수 있습니까? 결과에 대한 확신의 가능성은 어디에 있습니까? 이 모든 것을 적용할 수 있는 조건은 어디에 있습니까? 몇 가지 질문이 있습니다. 이 주제는 종속성 주제도 다루었던 즐거운 hfenks(제 기억이 맞다면)와 함께 주제를 점점 더 상기시켜줍니다.
너무 많은 질문을 하고 있습니다. 나는 또한 당신에게 묻겠습니다. 매우 새롭고 매우 이상한 것을 시작하기 전에 먼저 이 새로운 것의 적용 가능성에 대해 완전하고 100% 정당화한 다음 결과를 얻기 위해 계속 진행할 연구원을 최소한 한 명 알고 있습니까? 찰나의 순간에 그의 머리에서 어떤 힌트가 떠올랐습니까? 일반적으로 모든 것이 다른 방식으로 발생합니다. 먼저 정당화 및 모든 종류의 엄격함과 관계없이 새로운 것이 적용되고, 그런 다음 흥미로운 것이 밝혀지면 정당화가 시작됩니다. 당신은 나를 이해합니까?
그리고 그건 그렇고, hrenfx 에 대해 : 그는 또한 Pearson의 상관 관계를 기반으로 분석을 수행했습니다.
논문의 관점에서 보면 예비적일 뿐 과학적 새로움의 징후가 있지만 상관관계에 비하면 이 모든 것이 공허한 잡담입니다(실례합니다).
괜찮아요. 글쎄, 우리는 여기서 논문에 대해 논의하는 것이 아니라 미래에 무언가가 소진 될 수있는 흥미로운 아이디어에 대해 논의합니다. 타지 않을 수 있다는 점은 충분히 이해합니다. 그렇다면 왜 팽팽한 정당화에 시간을 낭비하는가?
확실히 맞아. terver/matstat의 절반은 특히 정규 분포와 관련된 중심 극한 정리와 그 결과에 대해 설명합니다. 이것은 아름답게 "해결된" 배포판입니다. 그럼에도 불구하고 극한 내에서도 이를 따르지 않는 랜덤 변수가 존재한다. Pearson의 상관관계가 매우 잘 이루어졌다는 이유만으로 왜 특별히 Pearson의 상관관계를 다루어야 합니까?
데이터 마이닝 단계의 주기나 추세는 아직 관심이 없습니다. 관심 있는 것은 원칙적으로 ACF에 의해 감지되지 않는 종속성입니다.
너무 많은 질문을 하고 있습니다. 나는 또한 당신에게 묻겠습니다. 매우 새롭고 매우 이상한 것을 시작하기 전에 먼저 이 새로운 것의 적용 가능성에 대해 완전하고 100% 정당화한 다음 결과를 얻기 위해 계속 진행할 연구원을 최소한 한 명 알고 있습니까? 찰나의 순간에 그의 머리에서 어떤 힌트가 떠올랐습니까? 일반적으로 모든 것이 반대 방향으로 발생합니다. 먼저 정당화 및 모든 종류의 엄격함과 관계없이 새로운 것이 적용되고, 그런 다음 흥미로운 것이 밝혀지면 정당화가 시작됩니다. 당신은 나를 이해합니까?
그리고 그건 그렇고, hrenfx 에 대해 : 그는 또한 Pearson의 상관 관계를 기반으로 분석을 수행했습니다.
괜찮아요. 글쎄, 우리는 여기서 논문에 대해 논의하는 것이 아니라 미래에 무언가가 소진 될 수있는 흥미로운 아이디어에 대해 논의합니다. 타지 않을 수 있다는 점은 충분히 이해합니다. 그렇다면 왜 팽팽한 정당화에 시간을 낭비하는가?
Pearson의 상관관계가 매우 잘 이루어졌다는 이유만으로 왜 특별히 Pearson의 상관관계를 다루어야 합니까?
실질적으로 가치가 있습니다. 그리고 분포를 알 수 없는 비정상 랜덤 프로세스를 처리하는 것이 가능합니다.
일반적으로 모든 것이 반대 방향으로 발생합니다. 먼저 정당화 및 모든 종류의 엄격함과 관계없이 새로운 것이 적용되고, 그런 다음 흥미로운 것이 밝혀지면 정당화가 시작됩니다. 당신은 나를 이해합니까?
아니요. 먼저 포드를 측정한 다음 다른 모든 것을 측정합니다. 내 시대에 내가 참석한 모든 과학 회의에서 당신의 그러한 연설은 영원히 마지막이 될 것입니다.
그렇다면 왜 팽팽한 정당화에 시간을 낭비하는가?
스트레칭은 필요하지 않습니다. 그러나 기존 논의와 비교 수준에서 논의되고 있는 내용을 이해해야 합니다.
아니요, 작업은 변경되지 않았습니다. 분할할 수 없는 원자적 작업일 뿐입니다. 그리고 전체 그림을 얻으려면 Lag 변수로도 스캔해야 합니다.
몇 달 전에 얻은 결과에서 발췌한 내용을 게시할 수 있습니다(하지만 텍스트 형식으로 되어 있음). 토픽 스타터에서와 같이 상호 정보가 아니라 매트릭스의 빈도가 있습니다. "변수의 독립성에 대한 카이 제곱 검정"통계 계산 결과도 거기에 나와 있습니다. 다른 기준으로). 그럼에도 불구하고 이러한 수치는 전혀 지루하지 않습니다.
나는 그것을 내일(글쎄요, 그것은 오늘, 그러나 나중에) 게시할 것입니다. 왜냐하면 계산이 수행된 컴퓨터에 액세스할 수 없습니다.
추신 "보편 회귀 등"으로. 그것은 아무 관련이 없습니다: (18) - 이것은 가격에 대한 조잡한 기계론적 접근이지만 여기서는 근본적으로 통계적입니다.
아니요, 작업은 변경되지 않았습니다. 분할할 수 없는 원자적 작업일 뿐입니다. 그리고 전체 그림을 얻으려면 Lag 변수로도 스캔해야 합니다.
몇 달 전에 얻은 결과에서 발췌한 내용을 게시할 수 있습니다(하지만 텍스트 형식으로 되어 있음). 토픽 스타터에서와 같이 상호 정보가 아니라 매트릭스의 빈도가 있습니다. "변수의 독립성에 대한 카이 제곱 검정"통계 계산 결과도 거기에 나와 있습니다. 다른 기준으로). 그럼에도 불구하고 이러한 수치는 전혀 지루하지 않습니다.
나는 그것을 내일(글쎄요, 그것은 오늘, 그러나 나중에) 게시할 것입니다. 왜냐하면 계산이 수행된 컴퓨터에 액세스할 수 없습니다.
추신 "보편 회귀 등"으로. 그것은 아무 관련이 없습니다: (18) - 이것은 가격에 대한 조잡한 기계론적 접근이지만 여기서는 근본적으로 통계적입니다.
(18) ATC 모드에서는 비록 좋지는 않지만 결과를 제공하지만 스톱과 TP를 사용하지 않고 미묘한 통계적 접근 방식을 이 수준으로 가져오면 우리가 비교할 것입니다.
2009년 11월 25일부터 2011년 9월 2일까지 골드, H4, 로트 0.1, 최대. 드로다운 10.32%, MO 27.6
나는 논쟁하지 않습니다. 모든 것이 논리적입니다. 포인트 1부터 시작하겠습니다.
1. "우리가 취하는 것을 정확하게 결정": 먼저 - 작업 셀, 그 다음에는 이미 나눌 수 없습니다.
정수 Lag를 수정합니다. 이것은 "막대 사이의 거리", 즉 MT4에서 주어진 시간 프레임에 대한 인덱스 간의 차이 모듈입니다.
목적: 1) 인덱스 sh가 있는 "선행" 막대 반환 및 2) 인덱스 sh+Lag가 있는 "팔로잉" 막대 반환의 두 임의 변수 사이에 통계적 관계가 있는지 확인합니다.
이것이 우리가 취하는 것입니다: Lag와 같은 거리를 가진 막대의 모든 쌍. 매우 정확합니다.
어디에서 무엇을 의심해야합니까? 먼저 첫 번째 요점을 처리합시다. 두 번째로 넘어 갑시다.
이것은 거의 ACF이지만 공식이 다릅니다. ACF는 통계의 필수적인 부분입니다. 모든 종류의 중독을 찾는 데 좋습니다. 이것은 ARIMA의 출현 이후 이론과 실제 모두에서 매우 광범위하게 사용되었습니다.모든 새로운 것은 잘 알려져 있고 잘 정립된 유사한 것들과의 유사점과 차이점을 나타내는 것으로 시작해야 합니다. 이것이 완료되지 않으면 런던의 가장 더러운 집에서 그 아이디어는 논의 대상이 아닙니다. 그것이 내가 전체 스레드에 대해 말하는 것입니다. 항상 문헌 검토로 시작해야 합니다. obvor가 없습니다 - 귀하의 게시물 인용문에는 시장이 없습니다.
더 나아가. 나는 sh를보고 ACF가 임의의 장소가 아닌 sh = 1에서 계산된다는 것을 이해합니다. 그러나 CHAKF가 있습니다. 귀하의 제안이 이 제안과 어떻게 비슷하거나 다른가요? TI의 말로 본질(VR의 종속성)을 가리지 마십시오.
ACF일 필요는 전혀 없습니다. 그리고 당신은 ACF가 매우 다른 종류의 의존성을 찾고 있다는 것을 크게 잘못 알고 있습니다. 상관 관계 를 참조하십시오. 사진이 있는 기사 말미 에 상관관계 분석의 한계가 있다 . 그래서 AKF를 포기했습니다. Pearson의 상관 관계에 의해 감지된 막대 간의 선형 관계는 너무 약하고 수명이 짧습니다.
항상 문헌 검토로 시작해야 합니다. obvor가 없습니다 - 귀하의 게시물 인용문에는 시장이 없습니다.
우리는 오랫동안 움직이지 않을 것입니다. 그러나 일반적으로 나는 당신에게 동의합니다. 어떤 종류의 논증이 여전히 필요합니다. 선형 종속성에 관한 이전 단락의 마지막 문장이 마음에 들지 않는다면 생각해 보겠습니다.
TI의 말로 본질(VR의 종속성)을 가리지 마십시오.
저것들. 내가 TI를 사용하여 종속성을 검색하는 것을 금지하기로 결정했습니까?
2 yosuf: 나는 당신과 경쟁하지 않을 것입니다. 인듀서를 계속 개선하되 이 스레드에 들어가지 마십시오. 여기서는 주제를 벗어났습니다.
정보 엔트로피(Wiki)에 대한 기사를 찾았습니다. 거기에서 인용 1:
이것은 엔트로피, 일반 엔트로피입니다. 이 정의를 말씀하시는 건가요?
예, 알파벳 문자가 중복 및 종속성이 없도록 통계적으로 독립적 이어야 한다는 데 동의할 준비가 되어 있습니다. 이것이 바로 아카이버가 하는 일이며 텍스트를 만드는 데 사용된 알파벳과 분명히 다른 알파벳을 만듭니다.
그러나 우리는 그렇게 생각하지 않습니다! 우리가 생각하는 것에 대해 더 알아보십시오.
Topicstarter의 연설(그리고 내 것도)은 정보 엔트로피에 관한 것이 아니라 젠장, 상호 정보 (다시 Wiki)에 관한 것이었습니다!!
상호 정보 는 한 확률 변수에 포함된 정보의 양을 다른 확률 변수와 비교하여 설명하는 두 확률 변수의 통계 함수입니다.
상호 정보는 [I(X,Y)에 대한 공식은 다음과 같습니다 . ]
나는 동일한 pediwiki에서 상호 정보를 계산하는 공식이 다음과 같을 수 있다는 사실에 주의를 기울입니다.
상호 정보(X와 Y 사이) = 엔트로피(X) - 조건부 엔트로피(X와 Y 사이)
이것은 미국 출처에서 끔찍해 보이는 공식을 작성하지 않고 정의를 통과하는 경우입니다.
여기서 X와 Y는 두 개의 서로 다른 시스템이며 X와 Y에 대한 종속성이 있습니다.
완전한 상호 정보를 원하면 주제 시작과 같습니다.
완전한 상호 정보(X와 Y 사이) = 엔트로피(X) + 엔트로피(Y) - 결합 시스템의 엔트로피(X와 Y)
"조건부 엔트로피"가 아니라 "결합 시스템의 엔트로피"로 표기된 이유는 실제로 두 시스템 시스템의 총 엔트로피가 독립적이거나 조건부일 수 있기 때문입니다. X와 Y가 서로 연결되어 있지 않고 독립적이지 않으면 결합 확률(엔트로피 덧셈 정리)로 간주해야 하고 연결이 있으면 조건부로 간주해야 합니다.
이제 우리의 관심사에 대해. 이 전체 카누가 어떻게 시장에 적용될 수 있습니까? 다음 모델을 가정해 보겠습니다. 시스템 X - 시장(알파벳)이 있으며, 특정 빈도(기호 확률)로 나타나는 유한하고 특정 수의 상태(기호)가 있습니다. 두 번째 시스템 Y가 있습니다 - 따옴표를 기록합니다. 따옴표(알파벳)도 특정 빈도로 제한된 문자 집합을 갖습니다. 이 모든 것에서 무엇을 배울 수 있습니까?
1. 시장의 알파벳을 알아야 합니다. 그곳에서 끊임없이 무언가가 일어나고, 사고 팔고, 누군가가 파산하고, 누군가가 새로운 돈을 가지고 오고, 일종의 집단 히스테리가 발생합니다. 저것들. 알파벳은 매우 광범위하고 그것을 그렇게 간단하게 설명하는 것이 가능할 것 같지 않습니다.
2. 시장의 알파벳을 기술할 수 있다고 해도 시장에서 일어나는 과정의 정체에 대한 의문이 생긴다. TI는 속성의 불변성에 절대적으로 초점을 맞추고 있음을 이해해야 합니다.
3. 두 번째 시스템의 알파벳, 따옴표. 시장의 알파벳과 다릅니다. 그는 아마 이미입니다. 그리고 어느 쪽인지 알아야 합니다. 단순히 시간 프레임의 따옴표 변경 범위를 분위수로 나누고 알파벳을 만들면 무엇을 얻을 수 있습니까? 더 정확하게는 그렇지 않습니다. 우리는 시장 알파벳의 정보를 인용 알파벳으로 완전히 또는 부분적으로 표시합니까? 정보의 어떤 부분이 손실됩니까? 또는 아무 것도 잃지 않고 시장 알파벳이 단순히 중복됩니다. 등.
이것은 거의 또는 전혀 AKF가 아닙니다. 그리고 당신은 ACF가 다양한 종류의 의존성을 찾고 있다고 착각하고 있습니다. 상관 관계 를 참조하십시오. 사진이 있는 기사 말미 에 상관관계 분석의 한계가 있다 . 그래서 AKF를 포기했습니다. Pearson의 상관 관계에 의해 감지된 막대 사이의 선형 관계는 관심이 없습니다. 그들은 너무 약하고 수명이 짧습니다.
상관관계의 정교함은 그것의 강한 면이지만, 동시에 당신은 상관관계에 대해 알려진 한계를 약한 면에 귀속시켰습니다. 그러나 "ACF"라고 하는 값, 이 값에 대한 신뢰도, 이 신뢰도를 계산하는 조건에 대해 의미 있게 추론하고 일반적으로 다음에 따라 이러한 값에 대한 추론의 허용 가능성을 평가할 수 있는 것은 바로 이러한 제한 사항입니다. 상관 제약 조건의 충족. 악기로 무장하고 모든 것을 마스터하더라도 실제로는 심각한 어려움이 있으며 끊임없이 음행에 빠지게됩니다.
주제의 주제에 대해 같은 것을 쓰십시오.
ACF는 매우 구체적인 방식으로 추세를 보여주며 CHAF와 함께 주기를 찾습니다. 그리고 "정보 중독"이 찾고있는 것은 어떤 종류의 동물이며 따옴표로 어떻게 나타납니까? 아니면 증분으로? 트렌드와 사이클의 형성에 대한 설명을 찾을 수있는 시장 심리학에 대한 많은 출판물이 있으며 출판물이 작성된 "정보 중독"의 심리적 근거는 무엇입니까? 그리고 그것은 인용문에 영향을 줍니까? 어떤 근거로 받은 사진을 믿을 수 있습니까? 결과에 대한 확신의 가능성은 어디에 있습니까? 이 모든 것을 적용할 수 있는 조건은 어디에 있습니까? 몇 가지 질문입니다. 이 주제는 종속성 주제도 다루었던 즐거운 hfenks(제 기억이 맞다면)와 함께 주제를 점점 더 상기시켜줍니다.
논문의 관점에서 보면 예비적일 뿐 과학적 새로움의 징후가 있지만 상관관계에 비하면 이 모든 것이 공허한 잡담입니다(실례합니다).
동일한 pedwiki에서 상호 정보를 계산하는 공식이 다음과 같을 수 있음을 지적하고 있습니다. [...]
"조건부 엔트로피"가 아니라 "결합 시스템의 엔트로피"로 표기된 이유는 실제로 두 시스템 시스템의 총 엔트로피가 독립적이거나 조건부일 수 있기 때문입니다. X와 Y가 서로 연결되어 있지 않고 독립적이지 않으면 결합 확률(엔트로피 덧셈 정리)로 간주해야 하고 연결이 있으면 조건부로 간주해야 합니다.
지적해주실 거라 생각했습니다. 다행스럽게도 엔트로피가 아닌 확률로 작성된 공식은 무엇에 의존하는지 여부에 관계없이 동일하게 유지됩니다. 따라서 이러한 인수는 새로운 것을 추가하지 않습니다.
시스템 X - 시장(알파벳)이 있으며, 특정 빈도(기호 확률)로 나타나는 유한하고 특정 수의 상태(기호)가 있습니다. 두 번째 시스템 Y가 있습니다 - 따옴표를 기록합니다. 따옴표(알파벳)도 특정 빈도로 제한된 문자 집합을 갖습니다. 이 모든 것에서 무엇을 배울 수 있습니까?
확실히 맞아. terver/matstat의 절반은 특히 정규 분포와 관련된 중심 극한 정리와 그 결과에 대해 설명합니다. 이것은 아름답게 "해결된" 배포판입니다. 그럼에도 불구하고 극한 내에서도 이를 따르지 않는 랜덤 변수가 존재한다. Pearson의 상관관계가 매우 잘 이루어졌다는 이유만으로 왜 특별히 Pearson의 상관관계를 다루어야 합니까?
ACF는 매우 구체적인 방식으로 추세를 보여주며 CHAF와 함께 주기를 찾습니다.
데이터 마이닝 단계의 주기나 추세는 아직 관심 대상이 아닙니다. 관심 있는 것은 원칙적으로 ACF에 의해 감지되지 않는 종속성입니다.
그리고 "정보 중독"이 찾고있는 것은 어떤 종류의 동물이며 따옴표로 어떻게 나타납니까? 아니면 증분으로? 트렌드와 사이클의 형성에 대한 설명을 찾을 수있는 시장 심리학에 대한 많은 출판물이 있으며 출판물이 작성된 "정보 중독"의 심리적 근거는 무엇입니까? 그리고 따옴표에 영향을 줍니까? 어떤 근거로 받은 사진을 믿을 수 있습니까? 결과에 대한 확신의 가능성은 어디에 있습니까? 이 모든 것을 적용할 수 있는 조건은 어디에 있습니까? 몇 가지 질문이 있습니다. 이 주제는 종속성 주제도 다루었던 즐거운 hfenks(제 기억이 맞다면)와 함께 주제를 점점 더 상기시켜줍니다.
너무 많은 질문을 하고 있습니다. 나는 또한 당신에게 묻겠습니다. 매우 새롭고 매우 이상한 것을 시작하기 전에 먼저 이 새로운 것의 적용 가능성에 대해 완전하고 100% 정당화한 다음 결과를 얻기 위해 계속 진행할 연구원을 최소한 한 명 알고 있습니까? 찰나의 순간에 그의 머리에서 어떤 힌트가 떠올랐습니까? 일반적으로 모든 것이 다른 방식으로 발생합니다. 먼저 정당화 및 모든 종류의 엄격함과 관계없이 새로운 것이 적용되고, 그런 다음 흥미로운 것이 밝혀지면 정당화가 시작됩니다. 당신은 나를 이해합니까?
그리고 그건 그렇고, hrenfx 에 대해 : 그는 또한 Pearson의 상관 관계를 기반으로 분석을 수행했습니다.
논문의 관점에서 보면 예비적일 뿐 과학적 새로움의 징후가 있지만 상관관계에 비하면 이 모든 것이 공허한 잡담입니다(실례합니다).
괜찮아요. 글쎄, 우리는 여기서 논문에 대해 논의하는 것이 아니라 미래에 무언가가 소진 될 수있는 흥미로운 아이디어에 대해 논의합니다. 타지 않을 수 있다는 점은 충분히 이해합니다. 그렇다면 왜 팽팽한 정당화에 시간을 낭비하는가?
확실히 맞아. terver/matstat의 절반은 특히 정규 분포와 관련된 중심 극한 정리와 그 결과에 대해 설명합니다. 이것은 아름답게 "해결된" 배포판입니다. 그럼에도 불구하고 극한 내에서도 이를 따르지 않는 랜덤 변수가 존재한다. Pearson의 상관관계가 매우 잘 이루어졌다는 이유만으로 왜 특별히 Pearson의 상관관계를 다루어야 합니까?
데이터 마이닝 단계의 주기나 추세는 아직 관심이 없습니다. 관심 있는 것은 원칙적으로 ACF에 의해 감지되지 않는 종속성입니다.
너무 많은 질문을 하고 있습니다. 나는 또한 당신에게 묻겠습니다. 매우 새롭고 매우 이상한 것을 시작하기 전에 먼저 이 새로운 것의 적용 가능성에 대해 완전하고 100% 정당화한 다음 결과를 얻기 위해 계속 진행할 연구원을 최소한 한 명 알고 있습니까? 찰나의 순간에 그의 머리에서 어떤 힌트가 떠올랐습니까? 일반적으로 모든 것이 반대 방향으로 발생합니다. 먼저 정당화 및 모든 종류의 엄격함과 관계없이 새로운 것이 적용되고, 그런 다음 흥미로운 것이 밝혀지면 정당화가 시작됩니다. 당신은 나를 이해합니까?
그리고 그건 그렇고, hrenfx 에 대해 : 그는 또한 Pearson의 상관 관계를 기반으로 분석을 수행했습니다.
괜찮아요. 글쎄, 우리는 여기서 논문에 대해 논의하는 것이 아니라 미래에 무언가가 소진 될 수있는 흥미로운 아이디어에 대해 논의합니다. 타지 않을 수 있다는 점은 충분히 이해합니다. 그렇다면 왜 팽팽한 정당화에 시간을 낭비하는가?
Pearson의 상관관계가 매우 잘 이루어졌다는 이유만으로 왜 특별히 Pearson의 상관관계를 다루어야 합니까?
실질적으로 가치가 있습니다. 그리고 분포를 알 수 없는 비정상 랜덤 프로세스를 처리하는 것이 가능합니다.
일반적으로 모든 것이 반대 방향으로 발생합니다. 먼저 정당화 및 모든 종류의 엄격함과 관계없이 새로운 것이 적용되고, 그런 다음 흥미로운 것이 밝혀지면 정당화가 시작됩니다. 당신은 나를 이해합니까?
아니요. 먼저 포드를 측정한 다음 다른 모든 것을 측정합니다. 내 시대에 내가 참석한 모든 과학 회의에서 당신의 그러한 연설은 영원히 마지막이 될 것입니다.
그렇다면 왜 팽팽한 정당화에 시간을 낭비하는가?
스트레칭은 필요하지 않습니다. 그러나 기존 논의와 비교 수준에서 논의되고 있는 내용을 이해해야 합니다.
지적해주실 거라 생각했습니다. 다행스럽게도 엔트로피가 아닌 확률로 작성된 공식은 무엇에 의존하는지 여부에 관계없이 동일하게 유지됩니다. 따라서 이러한 인수는 새로운 것을 추가하지 않습니다.
제 생각에는 그것이 틀리다 해도 공식의 본질은 물론 그 적용의 조건도 다른 기호로 쓰여졌다는 점에서 바뀔 수 없다고 생각합니다.
나는 이것이 더 이상 topikstarter에서 고려한 시스템이 아니라는 사실에 주의를 기울입니다. 나는 당신이 시장의 알파벳을 배울 수 있다고 진지하게 말할만큼 순진하지 않습니다. 그리고 현실적인 목표를 설정하려고 노력합니다.