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 9 12345678910 新评论 Dimka-novitsek 2012.04.20 12:15 #81 下午好！什么是微分方程组？ Sceptic Philozoff 2012.04.20 12:35 #82 Dimka-novitsek: 下午好！什么是微分方程组？ 请看一下维基。这里只是一个关于terwer/matstat的入门知识。而这正是你有时间的时候。 GaryKa： 我想了解以下分配的范围。 广义帕累托分布（GPD）和极值分布（GEV）。 我自己对这两种情况都了解得极为粗略。这两种分布都远远超过了这个主题的水平。 Dimka-novitsek 2012.04.20 13:10 #83 这是从一个生僻词到另一个生僻词，但好吧，我现在可能会自己尝试一下。 不过，我想我明白了这个原则! GaryKa 2012.05.08 14:27 #84 Mathemat: ...远远超过了这个主题的水平。 好的，这里有一个关于基础知识的问题--色散及其通过RMS的样本估计 下面是维基百科的一个浅显定义：随机变量的方差是衡量一个给定随机变量 ，即它与数学期望值 的偏差。 符合逻辑的是，它是类似于平均绝对偏差的东西。方差模数的平方 从何而来？为什么不是立方体或例如-1.8的幂？ 为什么它根本就是一个模数的幂函数？ 显然，它是特征之一，如果愿意，人们可以输入或使用随机变量围绕其平均值的扩散的措施的另一个定义。但这是在教科书中出现最多的措施。 Alexey Subbotin 2012.05.08 14:59 #85 GaryKa: 好的，这里有一个关于基础知识的问题--色散及其通过RMS的样本估计 下面是维基百科的一个浅显定义：随机变量的方差是对给定随机变量 ，即其与数学期望值的偏差的衡量。 符合逻辑的是，它是类似于平均绝对偏差的东西。方差模数的平方 从何而来？为什么不是立方体或例如-1.8的幂？ 为什么它根本就是一个模数的幂函数？ 有这样一种东西，即随机变量的时刻。因此，"变异 "是一个适当的名称，可以说是第二个中心时刻。也就是说，逻辑上正确的不是 "色散是衡量随机变量与期望值的偏差"，而是 "随机变量的第二中心矩称为色散"。它是一个表征随机变量偏离其期望值的参数。"抓住区别？在这个意义上，你是对的，pedivikia中给出的定义是不正确的。 Vasiliy Sokolov 2012.05.09 08:39 #86 GaryKa: 差异模数的平方 从何而来？ 从差值中取模是一个不必要的操作，因为正数和负数的平方都将是一个正值。在普遍接受的公式 中没有模数。 根据我的理解，使用的是差值的平方，而不是其他度数（我认为），主要是因为这一点，以及使用平方和平方根工作的简单性。 Sceptic Philozoff 2012.05.09 08:58 #87 C-4: 取差的模子是一个不必要的操作，因为正数和负数的平方都将是一个正值。在普遍接受的公式 中没有模数。 根据我的理解，使用的是差值的平方，而不是其他度数（我认为），主要是因为这一点，以及使用平方和平方根工作的简单性。不，一点也不。 事情就是这样的。分散 被认为是衡量 随机变量相对于其平均值的分布情况--这两个概念经常被混淆。历史上，它被计算为方差的平方之和。 但事实上，只有对于正态分布的量，方差才是衡量分散性的合理标准。对他们来说，这是很方便的："三标尺法 "证实了这一点。任何与高斯值的平均值相差超过三个希格玛的情况都是非常罕见的--占整个样本的十分之几。 对于分布不同的量（例如，对于拉普拉斯量），更合理的做法是，不取分布的第二矩，而是取方差的模数之和作为这种测量。 但方差是，并将继续是第二个动量，即平方之和。 GaryKa 2012.05.10 13:03 #88 好了，第二个中心点有一个自己的名字--"分散"。 但为什么要从物理学中提取惯性矩？随机变量的旋转运动的类比在哪里？通过质心的旋转轴的方向是什么？ 它是什么？ 平均偏差 - 没有 矩阵期望值附近数值密度的变化率--没有 更多变化... 你如何向一个小学生解释他手指上的差异？ 例如，数学上的期望值是平均数。一般来说，如果我们用这样的平均数取代所有的特殊情况，这样的一组累积效果将保持不变。 Mathemat: 但事实上，只有对于正态分布的量，方差才是衡量分散性的合理标准。 我也是这么认为的。 也许分散性被认为是协方差的一个特例--随机变量对自身的线性依赖性的测量。某种意义上的自我共鸣））。你应该问问费希尔 。 Sceptic Philozoff 2012.05.10 13:05 #89 分散性被发明时，协方差并不存在。 而惯性矩与此有什么关系？许多物理/数学现象都由类似的方程来描述。 如果你需要分散作为第二动力，那就用你的东西。 但如果你需要它作为分散性的衡量标准，你就得考虑了。 我可以给你另一个例子：两个不同的离散量的协方差被计算为两个向量的标量乘积。因此，要寻找类比，直到随机变量之间的角度...... Alexey Subbotin 2012.05.10 17:14 #90 GaryKa: 好了，第二个中心点有一个自己的名字--"分散"。 但为什么要从物理学中提取惯性矩？随机变量的旋转运动的类比在哪里？通过质心的旋转轴的方向是什么？ 它是什么？ 平均偏差 - 没有 矩阵期望值附近数值密度的变化率--没有 更多变化... 你如何用手指向一个高中生解释这种差异？ 例如，数学上的期望值是平均数。一般来说，如果我们用这样的平均数取代所有的特殊情况，这样的一组累积效果将保持不变。 我也是这么认为的。 也许分散性被认为是协方差的一个特例--随机变量对自身的线性依赖性的测量。某种意义上的自我共鸣））。你应该问问费希尔 。 这里也有一个问题。在计算第二点时，对平均值的偏差进行了平方。因此，对强偏离平均值的方差的贡献被考虑得更强，而且强得不成比例。换句话说，方差 "更关注 "那些强烈偏离平均值的数值，它首先考虑到这些数值来描述分散性。例如，如果与平均偏差模数相比，据说方差具有 "对异常值更敏感 "的特点，这正是上述意思。 好吧，为了减少苹果和橘子的差异，你通常会取它的平方根。得到的数值具有随机变量本身的维度，被称为标准差（RMS，用小写字母sigma表示）。不要与样本的标准偏差相混淆。 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
请看一下维基。这里只是一个关于terwer/matstat的入门知识。而这正是你有时间的时候。
GaryKa： 我想了解以下分配的范围。
广义帕累托分布（GPD）和极值分布（GEV）。
我自己对这两种情况都了解得极为粗略。这两种分布都远远超过了这个主题的水平。
...远远超过了这个主题的水平。
好的，这里有一个关于基础知识的问题--色散及其通过RMS的样本估计
下面是维基百科的一个浅显定义：随机变量的方差是衡量一个给定随机变量 ，即它与数学期望值 的偏差。
符合逻辑的是，它是类似于平均绝对偏差的东西。方差模数的平方 从何而来？为什么不是立方体或例如-1.8的幂？ 为什么它根本就是一个模数的幂函数？
显然，它是特征之一，如果愿意，人们可以输入或使用随机变量围绕其平均值的扩散的措施的另一个定义。但这是在教科书中出现最多的措施。
好的，这里有一个关于基础知识的问题--色散及其通过RMS的样本估计
下面是维基百科的一个浅显定义：随机变量的方差是对给定随机变量 ，即其与数学期望值的偏差的衡量。
符合逻辑的是，它是类似于平均绝对偏差的东西。方差模数的平方 从何而来？为什么不是立方体或例如-1.8的幂？ 为什么它根本就是一个模数的幂函数？
差异模数的平方 从何而来？
不，一点也不。
事情就是这样的。分散 被认为是衡量 随机变量相对于其平均值的分布情况--这两个概念经常被混淆。历史上，它被计算为方差的平方之和。
但事实上，只有对于正态分布的量，方差才是衡量分散性的合理标准。对他们来说，这是很方便的："三标尺法 "证实了这一点。任何与高斯值的平均值相差超过三个希格玛的情况都是非常罕见的--占整个样本的十分之几。
对于分布不同的量（例如，对于拉普拉斯量），更合理的做法是，不取分布的第二矩，而是取方差的模数之和作为这种测量。
但方差是，并将继续是第二个动量，即平方之和。
好了，第二个中心点有一个自己的名字--"分散"。
但为什么要从物理学中提取惯性矩？随机变量的旋转运动的类比在哪里？通过质心的旋转轴的方向是什么？
它是什么？
你如何向一个小学生解释他手指上的差异？
例如，数学上的期望值是平均数。一般来说，如果我们用这样的平均数取代所有的特殊情况，这样的一组累积效果将保持不变。
Mathemat:
但事实上，只有对于正态分布的量，方差才是衡量分散性的合理标准。
我也是这么认为的。
也许分散性被认为是协方差的一个特例--随机变量对自身的线性依赖性的测量。某种意义上的自我共鸣））。你应该问问费希尔 。
分散性被发明时，协方差并不存在。
而惯性矩与此有什么关系？许多物理/数学现象都由类似的方程来描述。
如果你需要分散作为第二动力，那就用你的东西。
但如果你需要它作为分散性的衡量标准，你就得考虑了。
我可以给你另一个例子：两个不同的离散量的协方差被计算为两个向量的标量乘积。因此，要寻找类比，直到随机变量之间的角度......
好了，第二个中心点有一个自己的名字--"分散"。
但为什么要从物理学中提取惯性矩？随机变量的旋转运动的类比在哪里？通过质心的旋转轴的方向是什么？
它是什么？
你如何用手指向一个高中生解释这种差异？
例如，数学上的期望值是平均数。一般来说，如果我们用这样的平均数取代所有的特殊情况，这样的一组累积效果将保持不变。
我也是这么认为的。
也许分散性被认为是协方差的一个特例--随机变量对自身的线性依赖性的测量。某种意义上的自我共鸣））。你应该问问费希尔 。
这里也有一个问题。在计算第二点时，对平均值的偏差进行了平方。因此，对强偏离平均值的方差的贡献被考虑得更强，而且强得不成比例。换句话说，方差 "更关注 "那些强烈偏离平均值的数值，它首先考虑到这些数值来描述分散性。例如，如果与平均偏差模数相比，据说方差具有 "对异常值更敏感 "的特点，这正是上述意思。
好吧，为了减少苹果和橘子的差异，你通常会取它的平方根。得到的数值具有随机变量本身的维度，被称为标准差（RMS，用小写字母sigma表示）。不要与样本的标准偏差相混淆。