기고글 토론 "일반화된 통계 분포의 구조 분석에 고유값 좌표계 적용하기"
Heh. 예, 그런 독특한 "모든 것의 이론".
나는 여전히 근본적인 관점에서만 그 가치를 볼 수 있으며, 응용 문제에서는 근사치와 특수 사례를 사용하는 것이 어떻게 든 더 편리합니다.
나는 여전히 근본적인 관점에서만 그 가치를 볼 수 있으며, 응용 문제에서는 근사치와 특수 사례를 사용하는 것이 어떻게 든 더 편리합니다.
아마도 특정 포장 때문에 그렇게되었을 것입니다.
고유 좌표의 방법은 응용 문제의 "올바른" 해결을 위해 발명되었습니다.
논문 [20]에서 이 점을 더 자세히 설명합니다:
즉, "근본적인 것만"은 "근본적인 것을 포함"으로 읽는 것이 더 좋습니다.
그리고 이 창작물(기사)의 작성자는 누구인가요? :-)
이 기사의 저자는 귀하의 질문에 답변 할 준비가되었습니다 :)
고유 좌표의 방법은 R,R에 의해 개발되었습니다. 니그마 툴린:
[20] R. R. 니그마 툴린, "고유 좌표 : 실험 측정에서 분석 기능 식별의 새로운 방법".
[21] R. R. 니그마툴린, "고유 좌표법에 의한 비확률 통계 분포의 인식".
R(x)의 분해는 [20]에서, P1(x)와 P2(x)의 분해는 [21]에서 발표되었습니다.
이 방법의 수학적 정당성은 해당 논문에서 확인할 수 있습니다.
기본+응용 문제와 관련해서는, 실제 시장 데이터를 설명하는 데 q-가이시안 P2(x)와 힐호스트와 셔 해법 P(U)가 얼마나 좋은지 확인해 보는 것도 흥미로울 것입니다.
이를 위해서는 P2(x)와 유추하여 P(U) 의 고유 좌표를 구성해야 합니다(인수에 erf-1(x)가 있지만 미분과 적분은 해석적으로 구할 수 있습니다).
이에 대한 미분 방정식을 구하면 P2(x)에 대한 방정식의 구조와 비교할 수 있습니다.
P(U)가 극한 해라면 더 큰 시간대에서 더 잘 작동해야 하며, 이를 확인할 수 있습니다.
또한 일부 지점 |x-erf(erf-1(x))~10^-5에서 합리적인 근사치를 사용한 erf-1(x) 계산의 정확도를 개선하는 것이 바람직합니다.
기본+응용 문제와 관련해서는, 실제 시장 데이터를 설명하는 데 q-가이시안 P2(x)와 힐호스트와 셔 해법 P(U)가 얼마나 좋은지 확인해 보는 것도 흥미로울 것입니다.
이를 위해서는 P2(x)와 유추하여 P(U)의 고유 좌표를 구성해야 합니다(인수에 erf-1(x)가 있지만 미분과 적분은 해석적으로 구할 수 있습니다).
이에 대한 미분 방정식을 구하면 P2(x)에 대한 방정식의 구조와 비교할 수 있습니다.
P(U)가 극한 해라면 더 큰 시간대에서 더 잘 작동해야 하며, 이를 확인할 수 있습니다.
또한 이 논문에서는 일부 지점 |x-erf(erf-1(x))~10^-5에서 합리적인 근사치를 사용하여 erf-1(x) 계산의 정확도를 개선하는 것이 바람직합니다.
럼바, 럼바, 손가락 가리키기 :)
이 기사의 등장에 만족하고 확실한 메시지가있는 기사가 점점 더 많아지고 있다는 사실에 기쁩니다.
.
기사의 요점입니다.
통계 적용에 대한 저의 겸손한 경험은 개별 방법을 심도있게 사용하는 것보다 통계 방법을 체계적으로 적용하는 것이 더 중요하다는 것을 보여줍니다.
기사에서 명확하지 않습니다:
1. 이 글에서 인용한 인용문의 어떤 문제를 해결하는가.
2. 이 기사가 TS 구성의 어떤 문제를 해결하는지.
이러한 검토가 없으면이 기사의 실질적인 가치에 대해 판단하기가 어렵습니다.
기본+응용 문제와 관련해서는, 실제 시장 데이터를 설명하는 데 q-가이시안 P2(x)와 힐호스트와 셔 해법 P(U)가 얼마나 좋은지 확인해 보는 것도 흥미로울 것입니다.
이를 위해서는 P2(x)와 유추하여 P(U)의 고유 좌표를 구성해야 합니다(인수에 erf-1(x)가 있지만 미분과 적분은 해석적으로 구할 수 있습니다).
이에 대한 미분 방정식을 구하면 P2(x)에 대한 방정식의 구조와 비교할 수 있습니다.
P(U)가 극한 해라면 더 큰 시간대에서 더 잘 작동해야 하며, 이를 확인할 수 있습니다.
또한 논문에서는 일부 지점 |x-erf(erf-1(x))~10^-5에서 합리적인 근사치를 사용하여 erf-1(x) 계산의 정확도를 개선하는 것이 바람직할 것입니다.
이것은 아마도 특정 래퍼 때문일 것입니다.
고유 좌표 방법은 적용된 문제의 "올바른" 해결을 위해 발명되었습니다.
논문 [20]에서 이 점을 더 자세히 설명합니다:
즉, "근본적인 것만"은 "근본적인 것을 포함"으로 읽는 것이 더 좋습니다.
이 모든 것에서 제 요점은 이것입니다. 우리가 어떤 모델을 가지고 있고 그것을 기반으로 이론적 함수를 얻었다고 가정 해 보겠습니다. 그리고 우리의 무지로 인해 매우 사소하지만 체계적인 요소를 고려할 수 없었다고 가정 해 보겠습니다. 이 경우 고유 좌표 방법은 감도가 매우 높기 때문에 실제 데이터가 모델과 일치하지 않는다고 말하면서 손목을 때릴 것입니다. 그러나 그것은 사실이 아닙니다! - 모델은 정확하지만 한 가지 요소 만 고려하지 않으며 실용적인 관점에서 볼 때이 결함은 전혀 중요하지 않은 것으로 판명 될 수 있습니다 (눈으로도 차이를 알아 차리기 어려운 Hilhorst-Schell의 동일한 예에서와 같이). 따라서 저는 대응의 최대 정확도 값이 응용 관점 (실제 문제 해결을위한)이 아니라 근본적인 관점 (발생하는 모든 프로세스에 대한 철저한 이해)에서 그다지 필수적이지 않을 수 있다는 의미에서 "근본적인 것에서 만"을 "오히려 근본적인 것"으로 읽습니다.
또한이 방법은 모델이 실험 데이터에 맞지 않는다는 판결 만 제공하지만 불일치의 이유에 대해서는 알려주지 않습니다 (예 : 모델이 사소한 결함으로 "일반적으로"올바른지 또는 완전히 수정해야하는지 여부를 결정할 수 없음), 이는 단점입니다.
새로운 기고글 일반화된 통계 분포의 구조 분석에 고유값 좌표계 적용하기 가 게재되었습니다:
응용통계학에 있어 가장 큰 문제는 가설 검증입니다. 아주 오랫동안 해결 불가능한 것으로 치부되어 왔죠. 하지만 고유값 좌표계가 나타나면서 상황이 바뀌었죠. 현대 응용통계학을 이용한 것보다 훨씬 효율적인 시그널 구조 연구가 가능해졌습니다. 본문은 고유값 좌표계의 실제 적용과 MQL5 구현을 다룹니다. Hilhorst와 Schehr가 소개한 분포를 예로 들어 함수 식별 문제에 대해서도 알아보겠습니다.
[0.25,15.25]를 인터벌로 갖는 R(x) 함수 값 100개를 생성해 모델 데이터로 삼겠습니다.
그림 7. 연산용 함수 모델
해당 데이터를 기반으로 Y(x) 함수가 플로팅되며 X1(x), X2(x) 및 X3(x) 함수의 전개가 이루어집니다.
그림 8은 함수 Y(x)와 그 고유값 좌표 X1(x), X2(x) 및 X3(x)를 나타냅니다.
그림 8. Y(x) 함수와 고유값 좌표계 X1(x), X2(x), X3(x)의 일반형
작성자: MetaQuotes