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.
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.
你甚至可以谈及链子。
它相当长，而且我不善于把它讲得很好。关于马尔科夫链、链和这些链所描述的过程，我在马克西莫夫编辑的《数学的概率部分》一书中读到，格涅登科的《概率论教程》。我不能说我自己已经成为这个领域的大师。相反，我让自己想起一只狗，它什么都懂，但什么都说不出来。:о)
我也不太喜欢一个家庭主妇对 "它是什么 "的解释。例如，让我们采取维基百科的定义（相当适合家庭主妇:o）。
马尔科夫链（CM）是一个随机事件的序列，其结果数量有限或可数的无限，其特点是在一个固定的现在，未来与过去无关。它是以A.A. Markov（老）的名字命名的。
这似乎是正确的，然而，更准确的措辞却有些不同。
如果事件A(i)[s+1] i=1,2,...k在s+1次试验中的条件概率(s=1,2,3,,,,)只取决于第s次试验中发生的事件，并且不因先前试验中发生的事件的叠加信息而改变，则试验序列构成CM。
显然，由于这个原因，可以用这种链子描述的过程被称为具有短记忆的过程。还介绍了另一个基于系统状态概念的定义。
尤里，可怜可怜我吧。我根本不想改写定义和结论。CM，这不是我的发明，我还没有达到适当的无能水平，那就用我自己的话来复述这一切。那你可能不认识马尔科夫链了 :o)。
当你在有能力的资料中阅读时（相对于我的叙述），那么也许我的 "做法 "会有帮助。
(1) 我选择一个渠道作为系统的状态，而不是具体的价格值或价格之间的差异
(2) 我把一些通道特征的概率做成了一个过渡概率矩阵。
(3) 我把通道的改变作为矩阵中的一个步骤。
(4) 我 "直观地选择 "了生与死的过程；我们不能用排队的过程来达到我们的目的，是吗？
而且我已经证明了它的使用效果。:о)
X[j]=Y[j]-Y[j-k]，其中k可以是1到n，取决于实验目的，来完成中心化和残差化。
一阶AR(1)的自动回归模型（马尔可夫过程）。
这个模型是自回归过程的一个简单变体，
X[j]=SUM{a[k]*X[j-k]}+sigma[j]， 其中对所有k=1...无穷大进行求和，
，当除第一个系数外所有系数都等于零。相应地，它可以通过表达式来定义
X[j]=a*X[j-1]+sigma[j], (1)
其中a是一些绝对值不超过1的数字系数（|a|<1），而sigma[j]，是一串形成白噪声的随机变量。因此，X[j]取决于sigma[j]和所有之前的sigma，但与未来的sigma值无关。因此，在方程中，sigma[j]，与X[j-1]和X的早期值无关。正因为如此，sigma[j]被称为创新（更新）。
满足关系（1）的序列X通常也被称为马尔科夫过程。这意味着，
1。过程M 的期望值是相同的零M=0。
2.系列成员之间的自相关系数r，间隔为k级，等于r=a^k。
一阶自回归过程的主要特点如下。
系列的静止性条件 由系数a 的要求决定：
|a|<1
马尔科夫过程的自相关函数 由以下关系定义：
r(t)=a^t ,
即a 的值决定了系列X[j]的两个相邻成员之间的相关性值。我们可以看到，当序列（1）中的项在时间上相互远离时，它们之间的关联紧密程度呈指数级下降。
马尔科夫过程（1）的频谱密度 可以用自相关函数的已知形式来计算：
p（w）=2sigma0^2/（2+a^2-2a*cos（2Pi*w））。
如果参数a 的值接近于1，则系列X[j]的相邻值在幅度上接近，自相关函数指数式下降，同时保持正值，频谱以低频为主，这意味着X[j]的峰值之间有足够大的平均距离。在参数a 的值接近-1时，该系列迅速振荡（高频在频谱中占主导地位），自相关函数图呈指数下降至零，符号 交替变化。
在确定模型后，即确定其参数（在此为a）
，我们可以建立一个一步到位的预测：
Y[j+1]=Y[j]+a*X[j]。
就这样了。
尤拉，现在我对你有个请求。在Mathcad中执行下图所示的算法，并显示出某年的欧元兑美元分钟数的TF所产生的FAC。
(1) 我选择通道作为系统的状态，而不是具体的价格值或价格之间的差异
(2) 我把一些通道特征的概率做成了一个过渡概率矩阵。
(3) 我把通道的改变作为矩阵中的一个步骤。
(4) 我 "直观地选择 "了生与死的过程；我们不能用排队的过程来达到我们的目的，对吗？
而且我已经证明了它的使用效果。:о)
这里一切都很清楚，除了第2点）。可能被认为是一个简单平庸的事情，甚至可能是诀窍。
关于第4点（我已经用这个问题纠缠了索兰特）--"出生和死亡的过程 "是在第3点的统计处理上定义的，还是从一些一般的理论考虑上定义的？
那么，也许在我们这些家庭主妇之间，你可以告诉我这是什么？
它不一定是马尔科夫过程，你可以只谈论马尔科夫链。
你甚至可以谈及链子。
最简单的方法是使用一个例子。
最简单的马尔科夫过程是一个普通的硬币。
硬币落在哪一面，与之前的状态无关。
有人说，像硬币这样的过程具有马尔科夫的特性。
就是说，它没有对过去的记忆。一系列抛硬币的行为将被称为
一个马尔可夫链。更确切地说，不是抛掷本身，而是概率。
还有更复杂的马尔科夫过程，有许多不同的过程。
马尔可夫过程。有一些 "记得 "以前的状态，但
但不记得以前的那个人了，等等。
嗯，一般来说，这是一个简单的故事。
那里的数学，在某些地方，是相当混乱和不明显的，而且公式是巨大的。
Ну может между нами, домохозяйками, раскажете мне что это такое ?
Необязательно про МАРКОВСКИЙ ПРОЦЕСС, можно просто про марковские цепи.
Можно даже про цепочки.
最简单的事情就是用一个例子。
最简单的马尔可夫过程是一个普通的硬币。
硬币从哪边掉出来，与之前的状态无关。
有人说，像硬币这样的过程具有马尔科夫的特性。
就是说，它不记得过去。
就我所记得的上一篇文章中马尔科夫过程的定义（A(i)[s+1]只取决于A[s]）而言抛硬币不可能是一个马尔可夫过程，因为每次抛硬币时老鹰落下的概率并不取决于之前的任何试验。
谢尔盖，我希望你有耐心。向我解释一下（很可能我错过了什么），以及为什么我们需要一个模型来描述随机残差，什么是 "消除"。而在我看来，"消除 "随机残留物本身就是随机的。好一个总结。:о)
致罗什
这里一切都很清楚，除了第2项）。它可能被认为是一个简单的小事，也可能是一个诀窍。
这里很简单。我不得不以某种方式定义系统的状态，以便进行预测。我在相当容易理解的参数上捣鼓了很久：skoe、通道的长度、LR线的倾斜角度。但在实验过程中，我得出一个结论，一些通道参数能带来更好的结果。
而我是从以下方面得出这些特点的。
关于第4）项（我已经用这个问题纠缠过索兰德尔）--"出生和死亡的过程 "是根据第3）项的统计处理还是从一些一般的理论考虑来定义的？
好吧，我跟你说实话。 我的第一个想法是这个。记录历史，寻找渠道，计算统计数据。我最终放弃了这种做法。正如我之前写的，我把我的方法命名为进化分形波分析（好吧，我命名了它，我喜欢它）。它的基础是 "进化"--在MSP的 "渠道 "下重新加工。因此，我调查了渠道的一些特性的动态。另一方面，渠道不是以我通常的方式定义的。在这个帖子 "grasn 18.01.07 16:11 "中，有一张图片显示了样品之间的连接强度。该通道是从当前基准面到该连接的最弱值。一旦你找到了一个弱数，就意味着你已经找到了通道的原点。我把 "光标 "移到这一点上，并开始监测，如北风 所说，监测过程的质量。
通道内一些特征的动态变化是通道诞生和死亡的过程（至少在我的案例中是如此）。
现在，由于中子、grasn 和北风，清楚地展示了它是如何做到的。
虽然我的年龄不允许我再去上学，但我非常感谢你想教我一些智慧，你给我上的课，谢尔盖，我一定会做到的。
我庄严地承诺和发誓。:-)
就我所记得的上一篇文章中马尔科夫过程的定义（A(i)[s+1]只取决于A[s]）而言抛硬币不可能是一个马尔可夫过程，因为每次抛硬币时老鹰落下的概率并不取决于之前的任何试验。
我想更详细地讨论这一点，但不幸的是，绝对有
时间。我只想说，Wentzel E.S.女士在她的教科书中指出
一样，硬币是一个马尔科夫过程，甚至有一个证明。
顺便说一下，她有一个马尔科夫过程（一个没有后果的过程）--如果对于每个时刻
系统的任何状态在未来的概率只取决于状态
的，而不取决于该系统是如何到达的。
这个国家。
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.
我想更详细地讨论这一点，但不幸的是，绝对有
时间。我只想说，Wentzel E.S.女士在她的教科书中指出
一样，硬币是一个马尔科夫过程，甚至有一个证明。
顺便说一下，她有一个马尔科夫过程（一个没有后果的过程）--如果对于每个时刻
系统的任何状态在未来的概率只取决于状态
的，而不取决于该系统是如何到达的。
这个国家。
是的，有女人的地方就会有混乱。开个玩笑。:о)这是一个简单的例子，来自马克西莫夫编辑的教科书：一个玩家玩一个由各方组成的游戏。如果前一局获胜，下一局的获胜概率等于p，如果前一局失败，则等于p1。状态E1--下一局赢了，E2--这局输了。
在状态E1和E2中的徘徊由一个过渡概率矩阵来描述。
|(p)(1-p)|
|(p1) (1-p1)|
"男人不哭，男人会难过" :)