Пусть x1, x2,...,xn - выборка из n независимых наблюдений над случайной величиной X с функцией распределения F(x). Расположим наблюдения в порядке возрастания; получим -вариационный ряд. Определим функцию эмпирического распределения где - число тех наблюдений, для которых xi<x. Ясно, что - ступенчатая функция; это функция распределения...
为什么？ 在递增依赖的情况下，是什么阻止了它？
根据Glivenko-Cantelli定理，抽样分布函数近似于真实分布函数，该定理要求抽样是一连串独立、等量分布的随机变量的实现。粗略地说，在强依赖性的情况下，样本可能会在某一点上聚集在一起，这将使所产生的经验（样本）分布函数与真实的分布函数相比发生严重扭曲。
根据Glivenko-Cantelli 定理，样本分布函数近似于真实分布函数，该定理要求样本是一连串独立、平等分布的随机变量的实现。粗略地说，如果存在强烈的依赖性，样本可能会在某一点上聚集在一起，这将大大扭曲所产生的经验（抽样）分布函数，而不是真实的分布函数。
read.......
我认为这个定理在外汇中不成立。
因为，随着样本量的增加，元素数趋向于无穷大，真实分布（红色）将偏离理论分布（黑色），只是概率等于1
而该定理指出，它将重合于
天地种....
至于外汇，这意味着可以在平坦的市场中成功地进行pipsip-sat，而在趋势中失去损失。
https://studfiles.net/preview/4287703/page:3/
read.......
我认为这个定理在外汇市场上不成立。
因为随着样本量的增加，元素数趋向于无穷大，真实分布（红色）将偏离理论分布（黑色），只是概率等于1。
而该定理指出，它将重合于
天地种....
而就外汇而言，这意味着我们将在平盘中成功地进行点球，而在趋势中输钱。
https://studfiles.net/preview/4287703/page:3/
不是定理没有实现，而是它在大时间间隔上的准确应用条件。
1）收益取决于（例如，平地的相邻增量）。
2）它们的分布不均（非稳态）。
它可以作为一个近似值，在没有趋势变化的小时间间隔上使用。戈尔恰科夫也说过类似的话。而关于腐烂的问题也是差不多的。
根据Glivenko-Cantelli 定理，样本分布函数近似于真实分布函数，该定理要求样本是一连串独立、平等分布的随机变量的实现。粗略地说，如果有很强的依赖性，样本就会挤在一个点上，与真实的分布函数相比，这将大大扭曲所产生的经验（样本）分布函数。
为什么有些数学家需要成为百万富翁，而有些数学家则不需要，这一点并不十分清楚)
但是，条件分布呢？ 毕竟，这是一种依赖关系。
条件分布是以联合分布为基础的。只有在独立的情况下（根据定义），联合分布函数才等于一维分布函数的乘积。在依赖性的情况下，它要复杂得多--最近在这里提出了协同学--这是一个数量级的问题。因此，G.-C.定理（似乎被概括为多变量的情况）适用于二维分布的近似构建，人们可以尝试从中构建条件一维分布。
百万富翁是需要那些声称描述金融系列的数学家的)
据我所知，Shiryaev的理论开始是为了无线电定位的需要而发展的，但不太可能有人要求他亲自在雷达上值班)
不是定理没有得到满足，而是它在大的时间间隔内准确应用的条件。
1) 梯度具有依赖性（例如，在一个平面中的相邻梯度）。
2) 梯度分布不均（非平稳性）
它可以作为一个近似值，在没有趋势变化的小时间间隔上使用。戈尔恰科夫也说过类似的话。而不连续问题是关于同样的事情。
不
让我们依依不舍地读下去。
让 X 1 , ... , X n , ... -无限的 样本
什么的稳定性？例如，有李亚普诺夫扩散器的解决方案的稳定性，或者，例如，一个事件的频率的统计稳定性（在收敛到其概率的意义上）。
不
悄悄地读
让 X 1 , ... , X n , ... 是一个无限的 样本
在现实中，统计学家总是与有限的样本打交道，所以它始终只是对这个定理的履行的一个近似值。但随着样本量的增加，这种近似度会有所提高，这被称为估计的一致性。
俄罗斯维基中关于格利文科-康德利定理的文章是胡说八道，请阅读英文版本或一些正常的教科书。