伯努利、莫布-拉普拉斯定理；科尔莫戈罗夫准则；伯努利方案；贝叶斯公式；切比雪夫不等式；泊松分布规律；费雪、皮尔逊、学生、斯米尔诺夫等定理、模型，语言简单，没有公式。 - 页 6 12345678910 新评论 Dersu 2011.12.11 09:27 #51 sergeyas: 让我们先听听阿列克谢的演讲，因为他是第一个这样做的人。 优素福和其他所有人，请不要把它看作是对你在这个问题上的知识的贬低。 与其说是一致性，不如说是你开始堆砌额外的术语，并超越了自己。 这是一个商人的疾病。害怕无法按下按钮。我自己也是这样。 Роман 2011.12.13 03:03 #52 正态分布的概念来自《布林格》第九章关于布林线的内容 Роман 2011.12.13 03:06 #53 Vasiliy Sokolov 2011.12.13 06:59 #54 这条线有望成为一个很好的知识宝库。 很久以前，我决定在实践中得到正态分布，为此我做了一个数字实验。我参加了500个累积系列的10000个独立测试。我们得到500个随机的无连接图。我们把它们作为同一参考点，看看它们将如何随着时间的推移而出现分歧，或者更确切地说，随着测试次数的增加而出现分歧。因此，他们的分歧将服从正态分布规律，在总体上，他们将形成一个正态分布的钟。 有趣的是，平均分歧将等于试验次数的平方根。因此，在1,000次试验之后，我们有权预期任何一个系列，都会离它原来的零点位置有32点的距离，而在1万次试验之后，它将只有100点距离。你可以通过铃铛的形状看到这一点。起初，它向两侧发散得足够猛烈，然后发散的 "速度 "开始下降。 一个有趣的事实是，所有500个系列的总和，无论其中有多少次试验，都将近似于零。这在图片中得到了完美的说明：在10000次试验后，50%的系列高于零，而50%的系列高于零。因此，所有系统的平均状态或数学期望值将趋于零。 因此，我有一个问题要问行家们： 如何计算实际的数学期望值与理论上的零MO的偏差？当然，毕竟没有什么可以期望所有测试的总和会明显等于0，它可能等于+3或-20左右。第二个问题：这个误差值是否会随着试验的增加而崩溃为零，还是会 "冻结 "在一个与试验次数的平方根成正比的水平？ Avals 2011.12.13 07:49 #55 C-4: 如何计算实际的数学期望值与理论上的偏离，即零MO？当然，毕竟没有什么可以期望所有测试的总和会明显为0，可能是+3或-20左右。第二个问题：这个误差值是否会随着试验的增加而崩溃为零，还是会 "冻结 "在一个与试验次数的平方根成正比的水平？ sb是独立随机变量的总和。让增量为正态分布，mo=0，sko=X。那么N个增量的总和也是NR，mo=0，sko=SQRT(N)*X，也就是你图中的情况（那里的N是10000）。 如果我们取M个这样独立的sbs之和，它也将是正态分布，mo=0，sko=SQRT（M*N）*X 因此，当试验次数增加时，总和不会冻结或趋于零，而是与试验次数的根成正比增加。 但是，由于已经考虑过的伯努利定理，当试验次数增加时，算术平均数（也是除以试验次数）将收敛到零。 [删除] 2011.12.13 09:27 #56 什么是分布中的 "尾巴"？它们是与整体分布明显不相称的离群值吗？ Vasiliy Sokolov 2011.12.13 11:28 #57 Если взять сумму M таких независимых сб, то она так же буден распределена нормально с мо=0, ско=SQRT(M*N)*X 好吧，让我试着解决这个问题：给出10个累积系列，每个系列有10,000个测试。该系列的最终结果如下。 1145 2-32 3-80 425 5-172 6102 778 9-121 1095 共计40 M个独立兄弟姐妹的总和是+40。将结果代入公式。sqrt(40*10,000) * 100 = 63,245。不够用的东西结果就出来了。我一定是误解了 "M之和 "的意思。 还是说应该将所有的实验逐一排查，分析最终结果与M.O.的偏差？ Sceptic Philozoff 2011.12.13 15:59 #58 C-4: 很久以前，我决定在实践中得到一个正态分布，为此我进行了一个数字实验。我参加了500个累积系列的10000个独立测试。我们得到500个随机不相关的图。我们把它们作为同一参考点，看看它们将如何随着时间的推移而出现分歧，或者更确切地说，随着测试次数的增加而出现分歧。因此，它们的分歧将服从正态分布规律，在总体上它们将形成正态分布的钟形。说明正态分布不是一个好主意。我不确定在比如说10,000的时候停止这个过程会在横截面上完全得到一个正态分布。此外，这种分布的参数是不断变化的。 如果我错了--给我一个链接，其中声称 "截面"（即从零开始的发散）的分布至少是渐进正常的。 SProgrammer: 理解这一点是理解该定理中90%的关键。 没有配方，你就不会对肝脏有感觉。你自己也知道。但你不能在这里使用公式。 yosuf：这表明物料平衡方程的解法和定理法是一致的，它们在解释现象分析的结果时是相互补充的。 你没听说过伽马函数在科学和工程的各种领域都有吗？ 我没有看到它在解决二叉戟时有什么超自然的表现。而你之所以提出伽马分布，是因为你看到了这个函数在Excel中的名称。好吧，你和一个德国人有什么联系，优素福？ SProgrammer 正确地指出，在terver/matstat中实际使用的分布非常少--尽管你可以随心所欲地编造它们。所以对你来说，如果你仍然如此着迷（18岁），我建议你试着思考一下Erlang和你从哪里得到它。只是尽量把你的思考不是像上面引用的那种精辟的结论，而是以更完整的形式表达出来。 我查了Feller, vol. 2.有关于gamma-distribution的内容，但它有可怕的公式，只有几个关于Erlang的字。所以这里没有。 但是指数分布有一些有趣的地方（Feller, vol. 2, p. 69）。 这一点特别有意思，因为价格回报的分布很好地被拉普拉斯分布所近似。 Avals 2011.12.13 16:32 #59 C-4: 好吧，让我试着解决这个问题：给出10个累积系列，每个系列有10,000个测试。该系列的最终结果如下。 1145 2-32 3-80 425 5-172 6102 778 9-121 1095 共计40 M个独立兄弟姐妹的总和是+40。将结果代入公式。sqrt(40*10,000) * 100 = 63,245。结果是有些不充分。我一定是误解了 "M之和 "的意思。 还是说必须将所有的实验逐一排成一串，并分析最终结果与M.O.的偏差？ 巴西尔，让我们从头开始。你是否将随机行走建模为硬币型增量的累积总和？两个结果+1和-1，概率相等，分别为0.5/0.5。这个随机变量本身不是正态分布--它是一个有2个值的离散分布。其MO=0，RMS=SQRT（0.5*0.5）=0.5 那么我们已经将随机行走视为这些增量的总和。假设我们像你一样采取10000的增量。它将等同于什么？很明显，它是一个随机变量（第二个）。如果增量是独立的，这个分布将随着试验次数的增加而收敛为正态，MO=0，RMS=SQRT(10000)*0.5=50。从这一点和3x西格玛法则为例，可以推断出，这个SV的99%以上的实现将落在-150...+150的区间。也就是说，在这个区间之外，不到10000*0.01=100个CB的实现。 那么你已经考虑了这些CB的总和。你在这一栏里有这个CB的10个实现的总和。它将是新的（已经是第三个）SA，它也是正态分布，MO=0，RMS=50*SQRT（10）=158。你所拥有的总数+40只是这第三个SV的一个实现。但它的差异相当大。同样，99%的数据将位于-474...+474的范围内。 [删除] 2011.12.13 17:09 #60 鲸鱼理论家们已经忘记了我的小问题( 12345678910 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
让我们先听听阿列克谢的演讲，因为他是第一个这样做的人。
优素福和其他所有人，请不要把它看作是对你在这个问题上的知识的贬低。
与其说是一致性，不如说是你开始堆砌额外的术语，并超越了自己。
这是一个商人的疾病。害怕无法按下按钮。我自己也是这样。
正态分布的概念来自《布林格》第九章关于布林线的内容
这条线有望成为一个很好的知识宝库。
很久以前，我决定在实践中得到正态分布，为此我做了一个数字实验。我参加了500个累积系列的10000个独立测试。我们得到500个随机的无连接图。我们把它们作为同一参考点，看看它们将如何随着时间的推移而出现分歧，或者更确切地说，随着测试次数的增加而出现分歧。因此，他们的分歧将服从正态分布规律，在总体上，他们将形成一个正态分布的钟。
有趣的是，平均分歧将等于试验次数的平方根。因此，在1,000次试验之后，我们有权预期任何一个系列，都会离它原来的零点位置有32点的距离，而在1万次试验之后，它将只有100点距离。你可以通过铃铛的形状看到这一点。起初，它向两侧发散得足够猛烈，然后发散的 "速度 "开始下降。
一个有趣的事实是，所有500个系列的总和，无论其中有多少次试验，都将近似于零。这在图片中得到了完美的说明：在10000次试验后，50%的系列高于零，而50%的系列高于零。因此，所有系统的平均状态或数学期望值将趋于零。
因此，我有一个问题要问行家们： 如何计算实际的数学期望值与理论上的零MO的偏差？当然，毕竟没有什么可以期望所有测试的总和会明显等于0，它可能等于+3或-20左右。第二个问题：这个误差值是否会随着试验的增加而崩溃为零，还是会 "冻结 "在一个与试验次数的平方根成正比的水平？
如何计算实际的数学期望值与理论上的偏离，即零MO？当然，毕竟没有什么可以期望所有测试的总和会明显为0，可能是+3或-20左右。第二个问题：这个误差值是否会随着试验的增加而崩溃为零，还是会 "冻结 "在一个与试验次数的平方根成正比的水平？
sb是独立随机变量的总和。让增量为正态分布，mo=0，sko=X。那么N个增量的总和也是NR，mo=0，sko=SQRT(N)*X，也就是你图中的情况（那里的N是10000）。
如果我们取M个这样独立的sbs之和，它也将是正态分布，mo=0，sko=SQRT（M*N）*X
因此，当试验次数增加时，总和不会冻结或趋于零，而是与试验次数的根成正比增加。 但是，由于已经考虑过的伯努利定理，当试验次数增加时，算术平均数（也是除以试验次数）将收敛到零。
Если взять сумму M таких независимых сб, то она так же буден распределена нормально с мо=0, ско=SQRT(M*N)*X
好吧，让我试着解决这个问题：给出10个累积系列，每个系列有10,000个测试。该系列的最终结果如下。
M个独立兄弟姐妹的总和是+40。将结果代入公式。sqrt(40*10,000) * 100 = 63,245。不够用的东西结果就出来了。我一定是误解了 "M之和 "的意思。
还是说应该将所有的实验逐一排查，分析最终结果与M.O.的偏差？
说明正态分布不是一个好主意。我不确定在比如说10,000的时候停止这个过程会在横截面上完全得到一个正态分布。此外，这种分布的参数是不断变化的。
如果我错了--给我一个链接，其中声称 "截面"（即从零开始的发散）的分布至少是渐进正常的。
没有配方，你就不会对肝脏有感觉。你自己也知道。但你不能在这里使用公式。
我没有看到它在解决二叉戟时有什么超自然的表现。而你之所以提出伽马分布，是因为你看到了这个函数在Excel中的名称。好吧，你和一个德国人有什么联系，优素福？
SProgrammer 正确地指出，在terver/matstat中实际使用的分布非常少--尽管你可以随心所欲地编造它们。所以对你来说，如果你仍然如此着迷（18岁），我建议你试着思考一下Erlang和你从哪里得到它。只是尽量把你的思考不是像上面引用的那种精辟的结论，而是以更完整的形式表达出来。
我查了Feller, vol. 2.有关于gamma-distribution的内容，但它有可怕的公式，只有几个关于Erlang的字。所以这里没有。
但是指数分布有一些有趣的地方（Feller, vol. 2, p. 69）。
这一点特别有意思，因为价格回报的分布很好地被拉普拉斯分布所近似。好吧，让我试着解决这个问题：给出10个累积系列，每个系列有10,000个测试。该系列的最终结果如下。
M个独立兄弟姐妹的总和是+40。将结果代入公式。sqrt(40*10,000) * 100 = 63,245。结果是有些不充分。我一定是误解了 "M之和 "的意思。
还是说必须将所有的实验逐一排成一串，并分析最终结果与M.O.的偏差？
巴西尔，让我们从头开始。你是否将随机行走建模为硬币型增量的累积总和？两个结果+1和-1，概率相等，分别为0.5/0.5。这个随机变量本身不是正态分布--它是一个有2个值的离散分布。其MO=0，RMS=SQRT（0.5*0.5）=0.5
那么我们已经将随机行走视为这些增量的总和。假设我们像你一样采取10000的增量。它将等同于什么？很明显，它是一个随机变量（第二个）。如果增量是独立的，这个分布将随着试验次数的增加而收敛为正态，MO=0，RMS=SQRT(10000)*0.5=50。从这一点和3x西格玛法则为例，可以推断出，这个SV的99%以上的实现将落在-150...+150的区间。也就是说，在这个区间之外，不到10000*0.01=100个CB的实现。
那么你已经考虑了这些CB的总和。你在这一栏里有这个CB的10个实现的总和。它将是新的（已经是第三个）SA，它也是正态分布，MO=0，RMS=50*SQRT（10）=158。你所拥有的总数+40只是这第三个SV的一个实现。但它的差异相当大。同样，99%的数据将位于-474...+474的范围内。