Matstat Ekonometri Matan - sayfa 10
Alım-satım fırsatlarını kaçırıyorsunuz:
- Ücretsiz alım-satım uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Doktor, mümkün olduğunca.
Will + karakter + deneyim + standart olmayan yaklaşımlar (çok karmaşık değil).
En az bir kez kim sistemin nasıl kırılacağıyla ilgilendi?
hangi sistem?
bir keresinde büküldük, yasaklanmadık, sadece ** bu oyunun haklarını satın aldım ve kalıcı olarak asılı olduğumuz üstleri kestik)
onlar da zirvedeki yerleri sattılar (ben değil, uşaktım ama sadece mükemmel oyuncular vardı)
hangi sistem?
Kaza.
... SB'den para kazanamayacağınızı kabul edin. Tövbe et. Ve yine iyi bir toplumda kabul edileceksiniz))).
Doktor, sana çok saygı duyuyorum. Ve seninle samimi ve unutulmaz konuştum .... Ama sen çok aptalsın. Kabul edin, belki ilişkilerimiz tekrar düzelir.
Ve ekonometri , matstat ve matan hakkında (Tanrım, ne isimler!) Otomat'ı destekliyorum - bu oyun yalnızca birey sürecin fiziğini kesmişse uygulanabilir. Aksi takdirde - tüm bunlar saçmalıktır ve dikkat edilmemelidir.
Amin.
Suç yok.
Bir diğeri. Fikrinizi ifade etme konusunda hoşgörüsüz müsünüz?
Neden sel için buradasın?
Doktor, hepsine lobotomi yapın.
Bir diğeri. Fikrinizi ifade etme konusunda hoşgörüsüz müsünüz?
Neden sel için buradasın?
Doktor, hepsine lobotomi yapın.
Kiminle konuşuyorsun dostum? Tam ağaçkakan için. Ancak, özgür irade. Zor olacak - Shadow'u arayın. Oh, kurtarmaya gelecek.
Deneyeceğim) Olasılığa örnek dağılımının yoğunluğu dendiği gerçeğiyle başlayacağım. Numunenin ve parametrelerin bir fonksiyonudur. Deneyde elde edilen örneğin değerlerini yerine koyarız ve bundan sonra parametrelerin bir fonksiyonu olur. Bu fonksiyonun maksimuma ulaştığı parametrelerin değerlerini buluyoruz ve bu değerleri parametrelerin istenilen değerleri (değer tahminleri) olarak beyan ediyoruz) Bunun yapılabileceğine dair matematiksel bir kanıt var ama öyle değil. muhtemelen karmaşık ve çalışmayı denemedim bile)
Genel olarak, her şey basittir, ancak örneğin ne olduğunu anlamanız gerekir - iki farklı kavram için bir kelime kullanılır. Ayrıca, numunenin dağılım yoğunluğunun ne olduğunu ve numunenin bağımsız aynı şekilde dağılmış niceliklerin bir vektörü olması durumunda bunun ne olduğunu da bilmeniz gerekir.
Konuyu başlatan kişinin ricası üzerine maksimum olabilirlik ilkesine devam edeceğim. Kısaca, MLE (maksimum olabilirlik tahmini) İngilizce notasyonunu kullanacağım.
1) "Örnek" kelimesinin iki farklı anlamını ayırmayı öğrenmelisiniz. Birincisi, bu deneyde elde edilen bir dizi sayı ve ikincisi, bir dizi rastgele değişkendir. Birincisi gerçek rakamlar. İkincisi, araştırmacının bu sayılara uygulamaya çalıştığı soyut bir olasılık modelidir, yani aynı deneysel sayılar kümesi tamamen farklı modellerde düşünülebilir. Ama her zaman bir karşılık vardır - bir sayı -> bir tek boyutlu rastgele değişken. On sayıdan oluşan deneysel bir vektör, on rastgele değişkenli bir modelle modellenmelidir. Tüm bu rastgele değişkenler eşit olarak dağıtılsa bile - bunlar tam olarak on farklı rastgele değişkendir!
2) Bir dizi rastgele değişken hakkında eksiksiz bilgi, bunların ortak (çok değişkenli) dağılımında bulunur. Tüm alt boyutlu dağılımlar (genellikle ilgilendiğimiz tek boyutlu olanlar dahil) ondan hesaplanabilir.
Tanım olarak, olasılık, bu ortak dağılımın yoğunluğudur. N boyutlu bir örnek için bu, sayısal N boyutlu uzaydan sayısal bir fonksiyondur. Ayrıca belirlenmesi (tahmin edilmesi) gereken parametrelere de bağlıdır.
Buna göre, soru ortaya çıkıyor - bu işlev nereden geliyor? Cevap, ne zaman nasıldır.) Çünkü tüm yolları kapsamak imkansızdır.
3) Standart MLE çeşidi. Genellikle MLE'nin bir tanımı olarak kullanılır, ancak bu, yöntemin uygulanabilirliğini çok fazla sınırlar. Örnekteki tüm rastgele değişkenlerin a) bağımsız olduğu ve b) p(x, a) yoğunluğu ile aynı tek boyutlu dağılıma sahip olduğu varsayımı kullanılır; burada a tahmin edilecek parametredir. O zaman olabilirlik fonksiyonu L=p(x1,a)*p(x2,a)*...*p(xn,a) olur, burada n örnek boyutudur. Örneği x'ler olarak değiştiririz (ilk anlamda), L=L(a) alırız ve L'nin maksimuma ulaştığı amax'ı ararız. L(a) yerine LL(a)=log(L(a)'yı maksimize edebileceğimize dikkat edelim, çünkü logaritma monotonik bir fonksiyondur ve uygun bir şekilde, çarpımı toplama ile değiştirir.
Örneğin, p(x,a)=a*exp(-a*x), log(p(x,a))=log(a)-a*x üstel dağılımını, parametreye göre türevi düşünün d(log(p( x,a)))/da=1/ax. Bu nedenle, 1/a-x1+1/a-x2+...+1/a-xn=0 -> amax=n/(x1+x2+...+xn) denklemini çözmeniz gerekir.
4) Bir dahaki sefere LSM yerine modüllerin toplamını minimize etme yönteminin nasıl elde edildiğini anlatacağım)
Roman :
Doktor, hepsine lobotomi yapın.
Arkadaşım denedim fayda etmedi. Kendi adıma, burayı en aza indirmeye çalışacağım.
Doktor, sana çok saygı duyuyorum. Ve seninle samimi ve unutulmaz konuştum .... Ama sen çok aptalsın. Kabul edin, belki ilişkilerimiz tekrar düzelir.
Hasta çok hastaysa, acısını hafifletmek için her türlü önlemi almaya hazırım. Hatta bazen deli gömleğinin kayışlarını biraz gevşetiyorum.
Yazınızı okudum. Kenelerle yapılan hiçbir manipülasyonun serinin kalıcılığını değiştirmediğini pratik olarak kanıtladınız. Tebrikler.